一、RCNN
RCNN（Region with CNN feature）是深度卷积神经网络应用于目标检测问题的一个里程碑的飞跃。2014年提出的，之前都是传统的检测算法。
算法步骤：
1、候选区域选择：区域建议Region Proposal是一种传统的区域提取方法，基于启发式的区域提取方法，用的方法是ss，查看现有的小区域，合并两个最有可能的区域，重复此步骤，直到图像合并为一个区域，最后输出候选区域。然后将根据建议提取的目标图像标准化，作为CNN的标准输入可以看作窗口通过滑动获得潜在的目标图像，在RCNN中一般Candidate选项为1k~2k个即可，即可理解为将图片划分成1k~2k个网格，之后再对网格进行特征提取或卷积操作，这根据RCNN类算法下的分支来决定。然后基于就建议提取的目标图像将其标准化为CNN的标准输入。
2、CNN特征提取：所有的候选区域都缩放到一个统一大小，进行CNN的特征提取（就是分类网络把全连接之后的输出层去掉），获得各自固定维度输出特征向量。
3、分类：对前一步的输出向量进行分类（分类器需要根据特征进行训练）。在分类器的选择中有支持向量机SVM，Softmax等等。SVM是一个二分类的分类器，每一个类别有一个前景背景二分类，多少个类别就多少个SVM分类器。
对每一个类别进行非极大值抑制：寻找得分最高的目标，计算和其他目标的IOU（交并比），大于给定阈值的删除，直到所有框遍历完。
4、边界回归：通过边界回归框回归（缩写为bbox）获得精确的区域信息。目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要Bounding box regression步骤。
RCNN的缺点：
训练时间长：主要原因是分阶段多次训练，而且对于每个region proposal都要单独计算一次feature map，过多的重复的特征提取，导致整体的时间变长。
占用空间大：主要原因是每个region proposal的feature map都要写入硬盘中保存，以供后续的步骤使用。
multi-stage：文章中提出的模型包括多个模块，每个模块都是相互独立的，训练也是分开的。
测试时间长：由于不共享计算，所以对于test image，也要为每个proposal单独计算一次feature map，因此测试时间也很长。
二、Fast RCNN
Fast RCNN的工作流程：
1、 选择性搜索Selective Search（SS）在图片中获得大约2k个候选框。所使用到的候选区域生成方法与RCNN相同，使用的方法都是Selective Search（SS）。
2、使用卷积网络提取图片特征，得到整个图像的特征图。网络只提取一次特征图。
3、将SS算法生成的候选框投影到特征图上获得候选框的特征图（可以理解为将feature map映射回原图像位置）， 在最后一次卷积之前，使用 RoI pooling层缩放到统一的7*7的特征图，再展平通过全连接得到预测结果
RoI pooling层缩放到统一大小，再展平通过两层全连接层得到ROI feature vector。之后并联两个FC层，一个用于目标概率的预测（分类器），另一个用于边界框回归参数的预测（边界框回归器）。
分类器可以输出N+1个类别的概率。这是经过softmax处理之后的，满足归一。
界框回归器输出N+I个类别的候选框回归参数(dx,dy,dw,dh)，共(N+1)*4个节点。
训练样本：
训练时并不是用SS算法输出的所有候选区域，SS算法得到大约2000个候选区域，训练时只用其中的一小部分。而且还分成正样本和负样本。正样本就是候选框中确实存在目标的样本，负样本就是框中是背景。如果正负样本不平衡有可能会使训练结果产生偏移。原论文中从2000个候选框选出64个作为样本，一部分时正样本，一部分时负样本。与真实的位置IOU>0.5，视为正样本。与所有的真实目标的IOU的最大值（可能有很多目标）在[0.1,0.5)之间是为负样本。
Fast RCNN的损失：分类损失，回归损失
Fast RCNN较之前的RCNN相比，有三个方面得到了提升：
1. 卷积不再是对每个Region Proposal进行，而是直接对整张图像，速度得到了提升。 RCNN算法与图像内的大量候选框重叠，导致提取特征操作中的大量冗余。 而Fast RCNN很好的解决了这一问题。
2. 用SoftMax代替原来的SVM分类器。
3. 用Roi Pooling进行特征的尺寸变换，因为全连接层的输入要求尺寸大小一样，因此不能直接把Region Proposal作为输入。
4．将特征提取，分类，边界框回归揉合在一个网络中完成。
Fast RCNN仍存在的不足：
1.由于使用的Selective Search选择性搜索，这一过程十分耗费时间。
2.由于使用Selective Search来预先提取候选区域，Fast RCNN并未实现真正意义上端到端的训练模式。
三、Faster RCNN
对于Faster RCNN来讲，与RCNN和Fast RCNN最大的区别就是，目标检测所需要的四个步骤，即候选区域生成，特征提取，分类器分类，回归器回归，这四步全都交给深度神经网络来做，并且全部运行在 GPU上，这大大提高了操作的效率。
Faster RCNN可以说是由两个模块组成的：区域生成网络RPN候选框提取模块+Fast RCNN检测模块。
Faster RCNN的工作流程：
Faster RCNN与Fast RCNN的区别就在于采用RPN网络来生成候选框
RPN网络介绍：
特征图上每个窗口中心点，映射到原图位置，生成长度256的向量（长度由特征图的通道数决定），再通过两个FC，分别计算出2k个目标概率参数（分别为背景和前景的概率，只是前景，没有分类）和4k个边界框位置参数。其中k是anchor box的个数。
每个位置在原图上分别有三种比例和三种尺度（面积）共9个anchor
通过一个小的感受野去预测一个大的目标也是可能的，有时看到物体的一部分也能大概知道物体所在区域的位置。
Anchor和proposal是不同的，proposal是anchor经过回归参数修正后的。
RPN的实现：采用3*3conv，stride=1,padding = 1，深度和原来相同。所以，运算后特征矩阵的shape和原来特征图是一样的（相当于每个位置是一个256-d的向量）。再在后面并联两个1*1的卷积层来实现类别预测和位置回归预测。
类别预测卷积核1*1*2k，位置回归预测卷积核1*1*4k
RPN的损失函数：
本文参考了视频：https://www.bilibili.com/video/BV1af4y1m7iL?p=1