基于锚框的物体检测R-CNN（2）

基于锚框的多阶段目标检测算法：R-CNN

多阶段目标检测中，faster R-CNN是非常典型的一个算法，且它是由最初的R-CNN经一系列改进演化而来的。
faster R-CNN系列出现的顺序为：R-CNN（深度学习目标检测的一个里程碑）->fast R-CNN（效率提高200倍左右，可应用于实际中）->faster R-CNN（用RPN取代了Selective Search，大大提高了效率）。后面又引入了特征金字塔FPN，以及将faster-RCNN应用在图像分割上的MASK R-CNN。

今天，先写下R-CNN的目标检测过程。

R-CNN的目标检测过程

如图所示，R-CNN目标检测过程分为5个部分：
1.第一步：输入一幅图像
2.第二步：生成候选区域，使用Selective Search算法生成大约2000个候选区域
3.第三步：将候选区域在输入图像上裁剪出来，并全部缩放为227×227的大小
4.第四步：将缩放后的候选框放入卷积神经网络中提取特征
5.第五步：分类：把提取的特征放入到所有SVM分类器中进行判断（每类都有一个分类器，判断输入是否属于该类）

这样就完成了目标检测，最后，还有一个调整候选框位置和大小的步骤，先将候选区域放大一定的比例（如1.5倍），对放大后的候选区域进行边缘检测，取包含边缘的最小矩形框作为最终检测框。

缺点：

虽然比传统检测方法的精度提升了很多，但缺点也很明显，速度非常慢，原因如下几点：
1.使用Selective Search算法生成大约2000个候选区域，这个过程非常耗时
2.每个候选区域使用一次卷积神经网络进行一次特征提取，共需越2000次。由于候选框之间可能存在重叠区域，所以这个过程有很多属于重复计算
3.特征提取，目标分类，边框回归是三个独立的步骤，训练，检测效率低