RCNN初阶

RCNN的名字应该是 region proposals of convolution neural network （候选区域的卷积神经网路）

1、先生成候选区域（region proposals）候选区域算法使用一些图像分割的算法来识别潜在的物体，然后合并一些相似（可能颜色或者纹理相近）的小区域，然后就能获得许多的候选区域，虽然可能这些候选区域和实际物体重合度不是很高，但是只要有一个候选区域符合要求即可，要求有很高的recall值（查全率）

 

2、进行特征提取（使用CNN网络）

我们通过上述的生成候选区域算法得到了2000个左右的候选框，然后我们想要通过CNN获取其中的特征，但是许多的CNN网络对于输入图片的尺寸都是有固定的要求的，而我们获取的图片大小却不是固定的，这就需要我们对图片进行缩放处理。

CNN特征提取

使用已经训练好的Alex net进行迁移学习，将最后一层网络替换成N+1个输出神经元（表示检测物体有N类，还有1类是背景）

训练过程中我们需要一些正样本和一些负样本，人工标注的数据中标注了正确的bounding box，我们前面使用selective search算法挑选出了2000个左右的候选框，然后我我们将候选框中与人工标注的矩形框的重叠区域IoU大于0.5的标记为正样本，否则就标记为负样本。然后使用这些样本对CNN网络进行训练即可。

注：loU是什么：

loU是交并比，指的是

loU = 相交部分/合并的总部分

3、然后就可以对矩形框内部的物体进行识别了，但是还是需要使用SVM进行判断。因为肯定有数据过拟合，所以肯定还是需要用SVM进行类别判断，然后进行矫正的！！！

 

4、进行bounding box精修

最后将loU值大于0.6的认为是正样本，否则为负样本！！！！