Object Detection Network———Rcnn（Rich feature hierarchies for accurate oject detection and semantic ）
概述
本篇论文的题目是 《Rich feature hierarchies for accurate oject detection and semantic segmentation》，翻译过来就是针对高准确度的目标检测与语义分割的多特征层级，通俗地来讲就是一个用来做目标检测和语义分割的神经网络。
这篇论文也带来了一个观点，那就是当你缺乏大量的标注数据时，比较好的可行的手段是，进行神经网络的迁移学习，采用在其他大型数据集训练过后的神经网络，然后在小规模特定的数据集中进行 fine-tune 微调。
目标检测和对象识别
对象识别：给定一张图片可以识别出类别就是对象识别（dog，cat那种。。。）
目标检测：除了要分辨出目标的类别，还要判断目标所处的位置。（框起来）
- 图像识别（classification）：
输入：图片
输出：物体的类别
评估方法：准确率 - 定位（localization）：
输入：图片
输出：方框在图片中的位置（x,y,w,h）
评估方法：检测评价函数 intersection-over-union ( IOU )
定位问题的些许思路
当作回归问题看待
看做回归问题，我们需要预测出（x,y,w,h）四个参数的值，从而得出方框的位置。
下图为简单的CNN识别图像的网络。
在上述神经网络的尾部展开（也就说CNN前面保持不变，我们对CNN的结尾处作出改进：加了两个头：“分类头”和“回归头”）成为classification + regression模式。之后Regression那个部分用欧氏距离损失， 使用SGD训练，最后预测阶段把2个头部拼上即可完成不同的功能。
这里需要进行两次fine-tuning
第一次在ALexNet上做，第二次将头部改成regression head，前面不变，做一次fine-tuning
Regression的部分加在哪？
有两种处理方法：
1.加在最后一个卷积层后面（如VGG）
2.加在最后一个全连接层后面（如R-CNN）
regression太难做了，应想方设法转换为classification问题。
regression的训练参数收敛的时间要长得多，所以上面的网络采取了用classification的网络来计算出网络共同部分的连接权值。
取图像窗口
还是刚才的classification + regression思路，咱们取不同的大小的“框”，让框出现在不同的位置，得出这个框的判定得分， 取得分最高的那个框。根据得分的高低，我们选择了右下角的黑框作为目标位置的预测。
注：有的时候也会选择得分最高的两个框，然后取两框的交集作为最终的位置预测。
疑惑：框要取多大？
取不同的框，依次从左上角扫到右下角。非常粗暴啊。
总结一下思路：
对一张图片，用各种大小的框（遍历整张图片）将图片截取出来，输入到CNN，然后CNN会输出这个框的得分（classification）以及这个框图片对应的x,y,h,w（regression）。
这方法实在太耗时间了，做个优化。
原来网络是这样的：优化成这样：把全连接层改为卷积层，这样可以提提速。
物体检测（Object Detection）
当图像有很多物体怎么办的？难度可是一下暴增啊。
那任务就变成了：多物体识别+定位多个物体
那把这个任务看做分类问题？
看成分类问题有何不妥？
你需要找很多位置， 给很多个不同大小的框
你还需要对框内的图像分类
解决这种问题的方法是：找出可能含有物体的框（也就是候选框，比如选1000个候选框），这些框之间是可以互相重叠互相包含的，这样我们就可以避免暴力枚举的所有框了。
比如：dgeBoxes和Selective Search。
各种选取方法对比如下：
R-CNN
借鉴了滑动窗口思想，R-CNN 采用对区域进行识别的方案。
具体是：
给定一张输入图片，从图片中提取 2000 个类别独立的候选区域。
对于每个区域利用 CNN 抽取一个固定长度的特征向量。
再对每个区域利用 SVM 进行目标分类。
特征抽取
R-CNN 抽取了一个 4096 维的特征向量，采用的是 Alexnet，基于 Caffe 进行代码开发。
需要注意的是 Alextnet 的输入图像大小是 227x227。
而通过 Selective Search 产生的候选区域大小不一，为了与 Alexnet 兼容，R-CNN 采用了非常暴力的手段，那就是无视候选区域的大小和形状，统一变换到 227*227 的尺寸。
有一个细节，在对 Region 进行变换的时候，首先对这些区域进行膨胀处理，在其 box 周围附加了 p 个像素，也就是人为添加了边框，在这里 p=16。
测试阶段的目标检测
在测试阶段，R-CNN 在每张图片上抽取近 2000 个候选区域。
然后将每个候选区域进行尺寸的修整变换，送进神经网络以读取特征，然后用 SVM 进行类别的识别，并产生分数。
候选区域有 2000 个，所以很多会进行重叠。
针对每个类，通过计算 IoU 指标，采取非极大性抑制，以最高分的区域为基础，剔除掉那些重叠位置的区域。