在介绍R-CNN之前，先来了解一种目标检测算法的思路。
目标检测-Overfeat模型
最初的目标检测采用的思路是滑动窗口，比较暴力的从左到右和上到下的扫描图片。
设定好检测框（Bounding box）的大小，扫描图片后生成子图片。这样就变成了分类的问题了。但是，图片中的物体大小是不一样的，这也意味着每个检测框的大小也不一样。所以就要提前设定M个检测窗口，每个窗口滑动提取N张图片，总共M*N张图片。
每张图片通过转换压缩变形等手段固定成大小一样的图像，然后输入CNN分类器提取特征。
●那这种方法是怎么进行数据训练的呢？
准备所需要的训练数据集，每张图片被扫描后生成的子图片和图片的位置如下图：
比如我们要检测的目标是车，手动标注和准备训练数据集。x为训练的数据，y为标签。是车标记为1，不是车标记为0。
●Overfeat总结
这种方法就好像暴力穷举，需要消耗大量的计算力和时间。除此之外，大小不一样的检测框也可能导致效果不准确。
但是，它提供了一种目标检测的思路。
目标检测R-CNN模型
R-CNN使用的不是上面说到的暴力扫描的方式，而是一种候选区域法（region proposal），它以深度学习神经网络为基础的物体检测模型，在性能上有很大的提升。
下面是完整的R-CNN的结构图：
先来列出整体的算法运行流程，具体的下面再做详细理解
算法运行流程：
●找出图片中可能存在目标的侯选区域（region proposal）
●进行图片大小调整为了适应AlexNet网络的输入图像的大小227×227，通过CNN对候选区域提取特征向量，2000个建议框的CNN特征组合成2000×4096维矩阵
●将2000×4096维特征与20个SVM组成的权值矩阵4096×20相乘(20种分类，SVM是二分类器，则有20个SVM)，获得2000×20维矩阵
●分别对2000×20维矩阵中每一列即每一类进行非极大值抑制（NMS:non-maximum suppression）剔除重叠建议框，得到该列即该类中得分最高的一些建议框
●修正Bounding box，对bbox做回归微调.
候选区域（region proposal）
这里涉及到很多区域选择算法，其中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中所有可能的目标对象。
selective search选取的检测框大小都不一样，但是进入CNN提取候选区的特征向量需要固定的格式输入。因此，就需要对候选区域做尺寸的修改。
Crop+Warp
R-CNN网络结构中的第三层，Warp region。控制候选区的大小，因为这是根据Alexnet结构为基础，即大小要求为227*227.
●Crop:截取原图片一个固定大小的碎片
●Warp:缩放图片
尽管再优秀的算法，也不可能在不失真的情况下传入到CNN中。但是会尽可能的让图片发生更小的变形。
●各向异性缩放：直接缩放到指定大小，但是会造成一定的图片失真
●各向同性缩放：在原图上裁取候选区域填充在边界。
上图中，第一行的图片是异性缩放的方式，第二行是同性缩放，相比之下，后者图像的变形或者说是失真没那么严重。
CNN网络提取特征
经过前面两步的候选区域提取的子图，进入卷积神经网络进行特征提取，并且将特征数据存于磁盘中
将提取好的特征数据存于磁盘中是为了后续步骤的使用。而这些存储的特征才是真正要进行训练的数据。
一张图片中的候选区域大约2000个，而R-CNN中的CNN输出是4096大小的特征向量。所以总的特征向量就是2000*4096.
SVM分类
R-CNN中会有20个不同类别的SVM分类对2000个候选区域的特征向量进行分类。所以就有20*2000这样的一个得分矩阵。见图：
每个分类器都会对2000个候选区域进行分类判断，如上图中判断是否为猫，如果是，得分矩阵中的值记为1，并且给一个分数，这个分数也可以说是该特征为猫的概率分数。如果不是则理解为是背景，记为0。
非极大值抑制NMS
这一步目的是筛选CNN网络最后预测的候选区域，因为共有2000个候选区域，检测一个目标不可能同时显示这么多候选区域。如图：
图中CNN最后推荐有五个候选区域，上面标注的分数就是上一步得分矩阵的分数。
NMS的方式是选取分数最大的候选区域，然后其余候选区域与它进行交并比IoU计算,也就是两个候选区域相交部分与两候选区域总面积之比。这里还会设置一个阈值，比如阈值为0.5。如果IoU>=0.5。那么分数小的候选区域会被删除。因为IoU的值越接近1，说明两候选区域越接近重合。也就是说两候选区域预测的是同一个目标，只有分数大的会被保留。
修正候选区域-regressor
经过上述步骤得出最后的一个候选区域不一定就是正确的，即使它的得分再好。
所以R-CNN的最后一步会进行微调。就是以最后一个候选区域的特征值，与目标值（grounding truth）建立回归方程计算。这里不展开讨论回归方程计算，简单的理解为候选区域参考真实标注的目标来进行偏移。以下图为例:
A为最后的候选区域，G为真实标注的目标区域。经过建立回归方程的计算得出G’。使最后的候选区域更接近真实目标，从而提高预测的准确率。
以上就是R-CNN的整个运作流程。那么它是怎么进行训练的呢？
R-CNN训练过程
训练过程包括：正负样本准备+预训练+微调网络+训练SVM+训练边框回归器
●正负样本准备
正样本：与真实目标进行IoU运算，值大于或等于0.5的候选区域。
负样本：负样本则是小于0.5的候选区域。
一般正负样本的比例为正样本1:3负样本。
●预训练
一般在开发中，不会用自己初始化的CNN网络模型，那样的准确率是不太高的。因为CNN的参数有很多，需要大量的数据参与训练。一般是在训练好的CNN模型基础上进行微调，例如使用Alexnet。
●微调
微调就是拿训练好的CNN模型，把刚自己准备好的样本进行尺寸变换，再继续训练，得出新的模型。类似迁移学习
●训练SVM
上述的预训练+微调只是训练好了全连接层。还要对SVM分类器进行训练，有20个SVM分类器就意味着要进行20个类别的训练。刚准备的正负样本就是用来训练分类器的。
●训练边框回归器
这是最后一步用于修改候选区域的回归器，参与这一步训练的数据很少。因为这一步是以真实目标值（grounding truth）为参考的，只有真实目标值和IoU大于一定阈值的候选区域数据才会参与训练。
R-CNN缺点总结
●训练阶段多：步骤繁琐: 微调网络+训练SVM+训练边框回归器。
●占用磁盘空间大：上面提到的特征存于磁盘中，每个图片会有2000个候选区域
●训练耗时
●处理速度慢
以上就是R-CNN的所有内容，或有遗漏，欢迎指正。
篇幅过长，感谢阅读！
END
