R-CNN系列文献阅读

Rich feature hierarchies for accurate object detection and semantic segmentation
R-CNN

目的：目标检测
实现方式：

1. 获取图片，利用selective search方法，提取2k左右的候选区域(region proposals)
2. 利用CNN对候选区域进行提取特征
3. 利用SVM对上述特征进行分类
4. 利用回归器对特定类的候选区域进行精调位置。
   目标检测类的算法，目前还有更优质如fast-rcnn, faster-rcnn，都是基于上述方法的改进。

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
Faster R-CNN

Mask R-CNN是建立在Faster R-CNN文章上，分析Faster R-CNN。
实现方式：
通过已有的模型(AlexNet, VGG16等)提取feature maps
利用Region Proposal Network提取proposals
利用RoI Pooling，利用feature maps和Region Proposal Network提取需要指定尺寸大小的proposal feature maps
利用分类器对proposal feature maps进行分类，得到已经完成检测的图片。

Faster R-CNN相比于R-CNN，将所有网络整合成一个整体，同时采用了现有的Region Proposal Network，比R-CNN的selective search更加快速。
后续的Mask R-CNN是何恺明大神在17年的一篇文章，该算法在原有的基础上加入了ResNet-FPN，使得目标检测更加准确。

目标检测的系列文章：
R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN。