Region Proposal 方法看的比较头大，现在在此总结一下，欢迎大家批评指正

One Stage VS Two stage

one stage	two stage
直接回归物体的类别概率和位置坐标值（无region proposal），但准确度低，速度相遇two-stage快。	先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。
直接通过主干网络给出类别和位置信息，没有使用RPN网路。这样的算法速度更快，但是精度相对Two-stage目标检测网络了略低。	对于Two-stage的目标检测网络，主要通过一个卷积神经网络来完成目标检测过程，其提取的是CNN卷积特征，在训练网络时，其主要训练两个部分，第一步是训练RPN网络，第二步是训练目标区域检测的网络。网络的准确度高、速度相对One-stage慢。
目前常用的典型的One-stage目标检测网络 YOLOv1、YOLOv2、YOLOv3 SSD、DSSD等 Retina-Net等	R.Girshick et al等人在2014年提出的R-CNN到Faster R-CNN网络。

RCNN

出自论文 ： Rich feature hierarchies for accurate object detection and semantic segmentation 链接

侯选框的选择

• 选取了Selective Search的方式对每张图提取了约2000个大小不一候选区域，为了使不同尺寸的候选区域可以喂给固定输入尺寸的网络提取特征，对这些候选区域都缩放到227，为避免缩放操作对识别检测精度的影响，作者对缩放过程做了优化，比如对候选区域边界扩展、warp等，并选取最好的缩放方式。

• Selective Search for Object Recognition link

• Selective Search 算法：

  1. 使用 Felzenszwalb and Huttenlocher【一种基于灰度值计算相临像素的方法】提出的方法得到初始分割区域R={r1,r2,…,rn}；
  2. 初始化相似度集合S=∅；
  3. 计算两两相邻区域之间的相似度，将其添加到相似度集合S中；
  4. 从集合S中找出，相似度最大的两个区域 ri 和rj，将其合并成为一个区域 rt，从集合中删去原先与ri和rj相邻区域之间计算的相似度，计算rt与其相邻区域（与ri或rj相邻的区域）的相似度，将其结果加入到相似度集合S中。同时将新区域 rt 添加到区域集合R中；
  5. 获取每个区域的Bounding Boxes L，输出物体位置的可能结果L。

  在每次迭代中，形成更大的区域并将其添加到区域提议列表中。以自下而上的方式创建从较小的细分segments到较大细分segments的区域提案，如下图最左侧。
  

• 在考虑相似性的部分作者也考虑了场景/光照/颜色/纹理/尺度/形状 等尺度综合衡量图片之间的相似程度等 来计算相关性。 还是手工产生的特征。

完整的RCNN

RCNN：
1）：利用selective-search方法提取2000个自下而上的region proposal；
2）：针对每一个region proposal我们用一个大的CNN网络计算特征；
3）：利用线性SVMs分类器对每个region proposal进行分类；
4）：进行回归分析调整region proposal区域。

RCNN 缺点：速度慢，占用太多磁盘资源等，但也正是这些痛点
参考：
【理解Selective Search 】！！
【Selective Search for Object Recognition 论文原文】
【图像处理—基于图的图像分割（Graph-Based Image Segmentation】
【R-CNN论文详解 】！！！

Fast-RCNN：

ROI 的取法应该是一样的 Selective Search

1. 读取整个图片和一个ROI（Regions of Interest，也就是一系列划分的bounding box）集合作为输入)；
2. 然后convnet从整个图片中提取特征，得到feature map；
3. 对每一个ROI区域，pooling层从feature map中提取一个固定大小的feature factor；
4. feature factor被送往FC（fully-connected layer），被映射到两个部分，一部分是评估k个目标类加上catch-all"背景"类的softmax probability；另一部分产生bbox regressor，即针对k个目标对象的每一个4值真值数量（4 real-valued numbers），每个4值编码集合（set of 4 values）K类目标对象之一的bounding-box位置。
   参考：
   【Fast RCNN论文的概括理解】
   【论文原文】

Faster-RCNN 之 RPN：

【TO - DO】RPN 网络设计！

【Faster R-CNN论文笔记——FR ！！！非常棒的总结】
Faster R-CNN这篇论文解决了这个系统中的三个问题：

1. 设计区域生成网络（RPN）；
2. 训练区域生成网络；
3. 让区域生成网络和Fast RCNN网络共享特征提取网络。

Faster-R-CNN算法由两大模块组成：

• .PRN候选框提取模块；
• .Fast R-CNN检测模块。

R-CNN、Fast R-CNN、Faster R-CNN三者关系