（目标检测）--- RCNN算法理解
RCNN（Region CNN）
地位
是利用深度学习进行目标检测的开山之作。
解决的问题
- 速度：相较于之前使用滑动窗法依次判断所有可能区域，RCNN则先提取出可能是物体的候选区域，再从候选区域中提取特征，进行判断。
- 训练集：训练集的选取不同。经典的目标检测算法使用人工提供的特征（Harr，HOG），而RCNN则需要训练深度网络来进行特征提取。
流程
RCNN算法主要有四个步骤：
- 输入一张图像，提取出（1~2k）的候选区域
- 对候选区域中的图片用深度网络进行特征提取
- 将提取出的特征送入每一类的SVM分类器判别是否属于该类
- 使用回归器精细修正候选框位置。
候选区域的生成
使用Selective Search（从图片中找出物体可能存在的区域，检测的时间复杂度可能会很高，只负责快速地生成可能是物体的区域，而不做具体的检测）方法将一张图片生成2000-3000个候选区域。
基本思路如下：
- 通过图像分割算法，将图像分割成小区域。
- 针对这些小区域，合并可能性最高的两个区域。重复直到整张图像合并成一个区域。
- 输出所有曾经存在过的区域，即候选区域。
候选区域的生成和后续步骤相互独立，因此可以对算法进行改良。
合并规则
优先合并以下四种情况：
- 颜色（颜色直方图）相近的；
- 纹理（梯度直方图）相近的；
- 合并后总面积小的；
- 合并后，总面积在其BBOX（包含物体的最小矩形）中所占比例最大。
注意：①合并必须保证尺度大小均匀，避免一个大区域陆续吃掉其他小区域。②保证合并后的形状规则。
合并后的区域特征可以直接由子区域特征计算而来，速度较快。
多样化与后处理
为了不遗漏候选区域，上述操作在多个颜色空间中同时进行（RGB,HSV,Lab等）。在一个颜色空间中，使用上述四条规则的不同组合进行合并。所有颜色空间与所有规则的全部结果，在去除重复后，都作为候选区域输出。
特征提取
预处理
在使用深度神经网络进行特征提取之前，首先将候选区域归一化成同一尺寸的。
此处有一些细节可做变化：外扩的尺寸大小，形变时是否保持原比例，对框外区域直接截取还是补灰，都会轻微影响性能。
预训练
网络结构：
借鉴Hinton2012年在Image Net上的分类网络
此网络提取的特征为4096维，之后送入一个4096->1000的全连接(fc)层进行分类。
学习率0.01。
训练数据
使用ILVCR 2012的全部数据进行训练，输入一张图片，输出1000维的类别标号。
调优训练
网络结构
同样使用上述网络，最后一层换成4096->21的全连接网络。
学习率0.001，每一个batch包含32个正样本（属于20类）和96个背景。
训练数据
使用PASCAL VOC 2007的训练集，输入一张图片，输出21维的类别标号，表示20类+背景。
考察一个候选框和当前图像上所有标定框重叠面积最大的一个。如果重叠比例大于0.5，则认为此候选框为此标定的类别；否则认为此候选框为背景。
类别判断
分类器
对每一类目标，使用一个线性SVM二类分类器进行判别。输入为深度网络输出的4096维特征，输出是否属于此类。
由于负样本很多，使用Hard Negative Mining（负样本挖掘）方法。
正样本
本类的真值标定框。
负样本
考察每一个候选框，如果和本类所有标定框的重叠都小于0.3，认定其为负样本。
位置精修
目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要一个位置精修步骤。
回归器
对每一类目标，使用一个线性脊回归器进行精修。正则项λ=10000。
输入为深度网络pool5层的4096维特征，输出为xy方向的缩放和平移。
训练样本
判定为本类的候选框中，和真值重叠面积大于0.6的候选框。
结果
论文发表的2014年，DPM(Deformable Parts Model)目标检测算法已经进入瓶颈期，即使使用复杂的特征和结构得到的提升也十分有限。本文将深度学习引入检测领域，一举将PASCAL VOC上的检测率从35.1%提升到53.7%。
本文的前两个步骤（候选区域提取+特征提取）与待检测类别无关，可以在不同类之间共用。这两步在GPU上约需13秒。
同时检测多类时，需要倍增的只有后两步骤（判别+精修），都是简单的线性运算，速度很快。这两步对于100K类别只需10秒。
