目标检测经典模型笔记 | RCNN系列

RCNN系列模型（two-stages、基于区域的)主要包括以下几种，按发布时间排序：

1. RCNN（2014年）：首次将深度学习应用于目标检测，通过选择性搜索Selective Search提出候选区域，然后使用CNN（AlexNet)进行特征提取，最后通过SVM分类。
2. Fast RCNN（2015年）：改进了RCNN，引入了ROI Pooling来提取固定大小的区域特征，实现了更快的训练和更高的精度。
3. Faster RCNN（2015年末）：引入区域提议网络（RPN），使得候选区域的生成也通过深度学习来完成，实现了端到端的训练
4. Mask RCNN（2017年）：在Faster RCNN的基础上添加了一个并行分支，用于生成高精度的实例分割掩码，同时采用了ROI Align技术提高精度。

RCNN系列框架总结：

1. Feature extraction
2. Region proposal
3. Classification
4. Bounding Box Regression

1. RCNN（2014）

1）内容

R-CNN主要分为四个阶段：

1. 产生候选区域：对于输入的图片，使用Selective Search方法，选择出2000个候选区域（每个区域大小不一）。
2. 特征提取：使用AlexNet对每一个候选区域提取特征，得到2000*4096维的特征向量。
3. 候选区域类别判断与NMS：将2000*4096维特征向量送入到21个（20个类别+1个背景）SVM分类器中，需要使用NMS去除冗余的候选框。
4. 边界框偏移回归：Bounding Box Regression

2）框架：引入CNN到Feature extraction

1. Region proposal （SS）
2. Feature extraction （CNN-AlexNet)
3. Classification （SVM）
4. Bounding Box Regression

3）创新

在文章中，作者认为 R-CNN 较之前的算法，能够取得30%的改进是基于以下两点：

1. 使用了CNN来提取候选区域的特征。
2. 使用迁移学习，因为目标检测领域的数据相比图像分类任务要少很多，所以使用在图像分类上训练好的模型，经过 fine-tune 可以很好的运用在目标检测上。

4）不足