深度学习之目标检测（三）原理流程

基于区域建议的目标识别的算法

R-CNN

1、输入图像，使用Selective Search选择2000个候选区域(proposal);
2、候选区域转换为统一大小图片，使用CNN进行提取特征；
3、SVM分类器分类；
4、Bounding Box回归。

Fast R-CNN

1、输入图像，使用Selective Search选择2000个候选区域(proposal);
2、整张图片卷积提取特征，得到feature map；
3、找到每个候选框在feature map中的映射patch. 将patch作为每个候选框的特征输入到ROI池化层及后面的层；
4、将提取出的候选框的特征输入到softmax分类器中进行分类；
5、使用SmoothL1Loss回归的方法对于候选框进一步调整位置。

Faster R-CNN

1、对整张图片输进CNN网络，得到feature map；
2、卷积特征输入到RPN，得到候选框的特征信息；
3、对候选框中提取出的特征，使用分类器判别是否属于一个特定类；
4、对于属于某一特征的候选框，用回归器进一步调整其位置。

基于深度学习的回归方法

YOLO

1、输入图像，经过卷积层和全连接层，将图像划分成77的网格；
2、对于每个网格，我们都预测2个边框（包括每个边框是目标的置信