• 语义分割是对输入图像的每个像素做分类，不区分同类目标；
• 而目标检测需要对输入图像出现的对象进行定位并预测该对象所属类别；
• 分类和定位是一张图像中的信息做分类，并且在已知对象数目的情况下进行定位（注意目标检测并不知道每张图像中对象的数量。）

目标检测

R-CNN

给定输入图像，采用R-CNN完成目标定位：

1. Region proposals：生成 category-independent region proposals （约2000个）;
2. Feature extraction：将每个region proposal 分别 resize 到 227×227 作为 CNN 网络的输入，然后利用 CNN 为每个 region proposal 提取固定大小特征向量；
3. Classification：将提取的特征送入每一类的SVM分类器，判断是否属于该类。

Region proposals: selective search

R-CNN 采用 $selective \ search^{[3]}$selective search[3]生成category-independent region proposals。

Feature extraction

R-CNN 为每个region proposal 提取一个4096维的特征向量。
CNN输入数据预处理：首先将每个region proposal 分别 resize 到 227×227 的RGB图像（采用warp），然后进行归一化（即每个维度减去均值）并作为CNN的输入。

Features are computed by forward propagating a mean-subtracted 227×227 RGB image through five convolutional layers and two fully connected layers.

Classification

R-CNN 采用SVM对提取的特征向量进行打分。

参考资料：
[1] [深度学习]语义分割、分类定位与目标检测
[2] 从RCNN到Faster RCNN
[3] J. Uijlings, K. van de Sande, T. Gevers, and A. Smeulders. Selective search for object recognition. IJCV, 2013. 1, 2, 3, 4, 5, 9
[4] 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN