R-CNN网络原理与相关细节

R-CNN 是第一种利用深度学习方法进行目标检测任务的网络，是深度学习方法进行目标检测的开山之作。

注：本文的分析忽略了“选择性算法”。更进一步的细节可以参考相关大佬的文章或者直接看paper.

网络核心思想是：基于候选区域的卷积神经网络的目标检测

方法思路：首先从输入的image中，提取很多个（2000个）类别独立的候选域（region proposals），然后针对每一个候选域，利用CNN网络进行特征提取，生成一个固定长度的特征向量，最后对每个候选域经CNN提取的特征向量，利用支持向量机（SVM）来预测输入候选域的目标类别，并从该目标类别下的众多候选框中选取“最优框”作为该目标检测的预测输出。、

创新点：

（1）提出了“迁移学习”的方式：即采用在ImageNet已经训练好的模型，然后在目标数据集上进行训练“微调”，其具体做法为：

1.在源数据集上（例如ImageNet上）预训练神经网络模型，即“源模型”，保存其模型参数

2.在目标数据集上创建一个新的网络模型，即目标模型，然后加载源模型的模型参数，除输出层外，我们一般不在目标模型中使用源模型的输出层，修改或是减去源模型的输出层，使用匹配目标数据集类别个数的输出层。

3.随机初始化添加/修改层的模型参数

4.最后在目标数据集上训练模型，输出层将“0基础训练”，而其他各层（即迁移过来的各层的网络参数）将在所加载参数的基础上进行“微调”

（2）使用卷积神经网络进行目标检测工作。

R-CNN网络的原理流程如下