R-CNN

区域卷积神经网络（region-based CNN或regions with CNN features，R-CNN）是将深度模型应用于目标检测的开创性工作之一。
R-CNN首先利用选择性搜索，从输入图像中选取若干提议区域（如锚框也是一种选取方法），并标注它们的类别和边界框（如偏移量）。
然后，用卷积神经网络分别对每个提议区域进行前向传播以抽取其特征。
接下来，用每个提议区域的特征来预测类别和边界框。
R-CNN

Fast R-CNN

R-CNN的主要性能瓶颈在于，要对每个锚框进行一次独立的CNN前向传播过程，这带来了巨大的计算成本。
Fast R-CNN对此进行了改进——只在输入图像上进行一次CNN的前向传播，提取出特征图。
同时，对输入图像进行选择性搜索选取提议区域。
得到特征图和提议区域后，将二者输入到一个叫做兴趣区域池化层（RoI pooling） 的layer。
计算后传给全连接层进行类别和边界预测。
Fast R-CNN

兴趣区域池化层

这个RoI pooling主要是将兴趣区域的大小进行一个统一，方便做成批量，举一个例子如下图所示：
在这里插入图片描述
这个例子的输入由一个 $\times 4$ 的特征图（由CNN提取）和一个位于左上角的 $\times 3$ 的提议区域（由选择性搜索提取）组成
池化核大小是 $\times 2$ ，它会把输入提议区域分割为 $\times 2$ 共4个子区域，每个子区域提取一个最大值，得到 $\times 2$ 的输出提议区域。这一过程可以看成是一种非均匀的Max pooling操作。

Faster R-CNN

Faster R-CNN 是在Fast R-CNN的基础上的进一步改进，从提议区域的生成着手优化，提出将选择性搜索替换为区域提议网络（region proposal network），从而减少提议区域的生成数量，并保证目标检测的精度。
在这里插入图片描述

区域提议网络

区域提议网络可以看成是一个粗糙的目标检测网络。它通过一定的方法（可以是选择性搜索或者其他方法）生成大量锚框，但不直接将这些锚框输入到RoI pooling，而是通过非极大值抑制（NMS）进行一个精选，在属于同一个目标的多个锚框中选择一个最优锚框保留，从而降低提议区域的数量。

Mask R-CNN

Mask R-CNN基于Faster R-CNN修改而来，它的主要改变是引入了一个新的全卷积网络进行Mask预测。如果在训练集中标注了每个目标在图像上的像素级位置，那么Mask R-CNN能够有效地利用这些详尽的标注信息进一步提升目标检测的精度。
在这里插入图片描述
此外，RoI池化层会带来区域不匹配问题，对于通常要精确到每个像素点的语义分割任务来说代价是比较大的。
Mask R-CNN将RoI池化层替换为了RoI对齐层。兴趣区域对齐层不会进行不均匀的分割，而是直接进行像素级别的切割：
在这里插入图片描述
具体RoI池化的问题以及RoI对齐是如何改进的，可以移步这篇文章：
Mask R-CNN讲解_江南綿雨的博客-CSDN博客_mask_rcnn

总结

R-CNN虽然经历了几次改进，速度有了一些提升，但是和其他算法比，它的计算量还是偏大，主要优势还是精度高，所以常用在高精度场景中。

【动手深度学习-笔记】R-CNN系列