本博客是我阅读论文之余做笔记所写，只写了一些论文中我觉得比较重要的内容，如果想更深入地了解，还是建议大家去读原论文。个人水平有限，写得有问题的地方欢迎朋友在评论区留言指出。

R-CNN

R-CNN论文题目：Rich feature hierarchies for accurate oject detection and semantic segmentation
论文地址：https://arxiv.org/pdf/1311.2524.pdf

背景

R-CNN这篇论文是2014年CVPR的论文，在此之前目标检测并未使用基于深度学习的方法，所以R-CNN可以说是基于深度学习的目标检测算法的开山鼻祖。相比于之前基于传统方法的目标检测，R-CNN在PASCAL VOC2012数据集上的mAP提高了30%以上，达到了53.3%。

R-CNN的两个重要贡献在于：

1. 这是首次将候选区域（Region Proposal）和CNN结合，用于目标检测和分割；
2. 证明了在数据不足的情况下，预训练加fine-tune的方式可以大大提高模型的性能，而这种方式在之前可能还未受重视或未经证明；

R-CNN用于目标检测

R-CNN用于目标检测的流程如下图所示，该图来自于¹。

流程具体为：

1. 对输入的图片使用选择性搜索（Selective Search），得到大约2000个候选区域；
2. 不管候选区域的大小和宽高比如何，都将其变换为227×227的固定大小（227×227是后面CNN要求的固定输入图片大小）；
3. 将变换后的候选区域一个个输入到CNN中，CNN的输出为一个4096维的特征向量;
4. CNN输出的特征向量分别送入一系列的SVM用于分类, 以及为了得到更精准的预测框, 还会进行一个Bounding Box Regression;

R-CNN训练策略

对于CNN和SVM，作者使用了不同的训练策略，主要表现在对于正负样本的划分不同。

CNN：

1. 作者首先在大规模的图像分类数据集ILSVRC 2012上对CNN网络进行了预训练；
2. 接着，作者在VOC2012上对预训练的CNN网络进行了fine-tune。在这一步骤，CNN的输入是大小已经变换为227×227的候选区域。作者设定，与某个ground-truth box相比，如果候选区域的IoU大于等于0.5，则将该候选区域设定为该ground-truth box所对应类别的正样本，反之，则设定为负样本。

对于SVM，作者仅将各个类别的ground-truth box作为该类别的正样本，将IoU小于0.3的候选区域被作为该类别的负样本，其余候选区域被忽略。

Bounding Box Regression

为了得到更加精准的预测框，作者训练了一个线性回归模型。在给定输入为CNN网络最后一个池化层（在文中以$\operatorname{pool}_{5}$pool5​表示）的输出特征图的情况下，可以输出一个更加精准的预测框。有关于Bounding Box Regression的原理在R-CNN补充材料中有详细说明, 有兴趣的朋友可以去看一下原文。另外, 这篇博客也对Bounding Box Regression的原理做了比较详细的解释, 可以作为参考。
边框回归(Bounding Box Regression)详解

总结

R-CNN是后面很多目标检测算法的基础，理解了R-CNN的原理对于理解其他算法很有帮助，所以如果有时间，还是建议大家去看看原论文。

---

1. 从RCNN到SSD，这应该是最全的一份目标检测算法盘点 ↩︎