深度学习物体检测（五）——对象检测RCNN系列总结

RCNN算法的核心思想就是对每个区域通过CNN提取特征，把对象检测转换成了一个图像分类问题。

基于区域的对象检测进化路线：RCNN ->SPPnet  -> Fast-RCNN -> Faster-RCNN

一句话来描述 描述解决了的问题：
RCNN ：可以用CNN做对象检测吗？
SPPnet ：cnn网络可以只输入一张图片吗？
Fast-RCNN  ：可以把bounding box和分类都放在一个网络里吗？
Faster-RCNN  ：检测可以做到end-to-end，速度更快点吗？

RCNN摘要：
性能：  47秒/张图片，VOC2007上的检测结果是66%（mAP）
技术要点：  selective search生成proposal，proposal归一化到227*227，CNN对图片的每个候选区域都要提取特征，分类采用SVM，然后对分类好的propossal进行回归

SPPnet摘要：
技术要点：对任意输入候选区域，在Feature Map上做金字塔pooling，对Map分为4*4,2*2,1*1三种网络，得到固定纬度（16 + 4 +1 = 21维）

Fast RCNN摘要：
性能：3秒/张图片，检测结果是70%（mAP）
技术要点：ROI pooling，类似SPP，但是金字塔只有一层 7*7的网络，损失函数使用多任务损失函数，将边框回归加入CNN网络

Faster RCNN摘要：
性能：200毫秒/张图片，检测结果是73.2%（mAP）
技术要点：使用RPN网络，加入9种anchors，输入的特征proposal接入到ROI pooling，检测变成end-to-end。