前言
在前文：目标检测之序章-类别、必读论文和算法对比（实时更新）已经提到传统的目标检测算法的基本流程：
图像预处理 => 寻找候选区 => 特征提取 => 分类器分类 => 后处理
传统目标检测的主要问题是：
- 1）寻找候选区的方法缺陷：基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余，速度慢
- 2）手工设计的特征对于多样性的变化没有很好的鲁棒性
2012年，卷积神经网络（CNN）开始大放异彩，开启了基于深度学习算法图像分类的热潮。
2014年，RBG（Ross B. Girshick）使用Region Proposal + CNN代替传统目标检测使用的滑动窗口+手工设计特征，设计了R-CNN框架，使得目标检测取得巨大突破，并开启了基于深度学习目标检测的热潮。
为了解决上述传统目标检测需要遍历图像的缺陷，出现了候选区域（Region Proposal）法：即利用图像中的纹理、边缘、颜色等信息，预先找出图中可能含有物体的候选区域/框，可以保证在选取较少窗口(几千甚至几百）的情况下保持较高的召回率（Recall），文中使用的是Selective Search候选区域法。
R-CNN在PASCAL VOC 2010上实现了53.7%的平均精度（mAP)，并在VOC 2011/12 test（测试集）中实现了类似的性能（53.3% mAP）
提示：以下是本篇文章正文内容，下面内容可供参考
一、R-CNN的网络结构及步骤
- 提取候选区域（Region Proposal）
ps：利用Selective Search算法在图像中从下到上提取2000个左右的可能包含物体且大小不一的候选区域Region Proposal
- 预训练分类模型（如AlexNet）+ 微调（fine-tuning） / 从头开始训练模型
- 利用训练好的模型进行特征提取，获取候选区特征图
ps：将每个Region Proposal缩放（warp）成统一的227x227的大小并输入到CNN网络，将CNN网络的输出作为特征
- 训练一个SVM分类器，根据CNN特征图进行分类，利用非极大值抑制（NMS）去除冗余候选区
- 训练一个线性回归模型，精修正确的候选框位置及大小
二、RCNN的创新点
- 使用候选区域法（Region Proposal）代替穷尽策略，大大缩小了计算量
- 利用CNN参数共享和特征提取的优势，改善了提取特征的速度和质量
候选区域法
有很多候选区域法，当时最出色的是选择性搜索（selective search）。它的工作原理是将图片中的每一个像素作为一组，然后计算每个像素的纹理，将相近的的组合起来形成更大的像素组，然后继续合并各个像素组。下图中展示了像素组是如何扩大的，蓝色矩形代表了真实图片各像素组合并后的外界矩形框。
特征提取-CNN网络
原文中使用的是AlexNet，当然也可以使用其他卷积神经网络。
总结
R-CNN虽然不再像传统方法那样穷举，但R-CNN流程的第一步中对原始图片通过Selective Search提取的候选框region proposal多达2000个，且这2000个候选框每个框都需要进行CNN提特征+SVM分类，计算量很大，导致R-CNN检测速度很慢，GPU上大于13s/image，CPU上大于53s/image。
其次，将所有候选区域统一缩放到统一大小（CNN输入大小是确定的）会导致图像变形失真，从而降低精度。
