R-CNN系列

R-CNN

R-CNN 首先划分很多Rigion,叫做Rigion proposal.然后进行Selective Search，就是合并小区域。看下图，合并后的小区域需要变换，将他们统一一下，然后进入ConvNet。存盘，用svms预测。

fast R-CNN

fast R-CNN 在R-CNN的基础上进行了改进。主要就是因为R-CNN经过卷积后，将特征存盘。其实没必要这么麻烦，可以使用softmax linear分类器，直接进行预测，另一方面，不用对每个Rigion分别进行卷积，可以直接对所有的区域使用一次卷积。这样就可以达到end-to-end了。

faster R-CNN

虽然fast R-CNN 在模型部分实现了end-to-end，但是在Selective Search阶段 比较耗时，于是乎有了faster R-CNN
将卷积之后，加入了一个Region Proposal Netword。其他的和fast-R-Cnn 一样

卷积网络设计trick

目标

• 使用更少的参数，参数过容易过拟合
• 使用更深的深度，深度越大，非线性越强
  感受野
  所谓感受野，就是经过卷积之后，那一个点可以代表之前的几个点。
  **对于pooling的技巧 **由于pooling之后，稀疏了，但是我们可以增加深度来弥补。用深度弥补size的减小。
  
  残差深度网络使用的技：使用了1X1的filter 但是需要保证最后的卷积中filter个数与3X3的一样，这样深度更大，参数更小