前言
传统的目标检测方法主要是三个步骤：区域选择（暴力滑窗）、特征提取（SIFT尺度不变特征变换，HOG方向梯度直方图等）、分类器（SVM、Adaboost等）三个部分。代表算法：多尺度形变部件模型DPM（将物体看成多个部件组成，一个物体不同部件之间存在天然的拓扑结构关系，比如人头部总是在躯干上面，将不同的位置关系对目标物体的贡献看成一个权重，最后由权重求和确定是否是检测的目标）。缺陷：暴力滑窗冗余框太多，时间复杂度太高；手工设计的特征对于多样性变化没有很好的鲁棒性。自深度学习出现之后，目标检测取得了巨大的突破，最瞩目的两个方向有：1、Two stage：以RCNN为代表的基于Region Proposal的深度学习目标检测算法（RCNN，SPP-NET，Fast-RCNN，Faster-RCNN等）；2、One stage：以YOLO为代表的基于回归方法的深度学习目标检测算法（YOLO，SSD等）
RCNN
Rich feature hierarchies for accurate object detection and semantic segmentation （2014 CVPR）
流程图：
特点
1、RCNN是利用深度学习进行目标检测的开山之作，首次将CNN运用到目标检测问题上。
2、用选择搜索（Selective Search）替代暴力滑框。选择搜索选出2000个候选框，用CNN等识别技术进行分类。
3、使用识别库进行预训练，而后用检测库调优参数。
4、使用SVM代替了CNN网络中最后的Softmax，同时用CNN输出的4096维向量进行Bounding Box回归。
5、流程前两个步骤（候选区域提取+特征提取）与待检测类别无关，可以在不同类之间共用；同时检测多类时，需要倍增的只有后两步骤（判别+精修），都是简单的线性运算，速度很快。
算法流程
本文数据集采用pascal VOC，这个数据集的object一共有20个类别。首先用select search方法在每张图像上选取约2000个region proposal，region proposal就是object有可能出现的位置。然后根据这些region proposal构造训练和测试样本，注意这些region proposal的大小不一，另外样本的类别是21个（包括了背景）。然后是预训练，即在ImageNet数据集下，用AlexNet进行训练。然后再在我们的数据集上fine-tuning，网络结构不变（除了最后一层输出由1000改为21），输入是前面的region proposal进行尺寸变换到一个统一尺寸227*227，保留f7的输出特征2000*4096维。针对每个类别（一共20类）训练一个SVM分类器，以f7层的输出作为输入，训练SVM的权重4096*20维，所以测试时候会得到2000*20的得分输出，且测试的时候会对这个得分输出做NMS（non-maximun suppression），简单讲就是去掉重复框的过程。同时针对每个类别（一共20类）训练一个回归器，输入是pool5的特征和每个样本对的坐标即长宽。
缺点
1、候选框选取耗时，会漏掉一些框
2、传入CNN前的归一化227*227产生的形变会导致信息丢失
3、候选框重叠较多，每个候选框都会输入进一个CNN进行特征提取，会造成重复计算
4、训练分成多个阶段，不利于全局最优
5、训练耗时，用GPU，VGG16处理一张图片要花47s
6、卷积出来的特征数据要单独保存，占空间大（5000张图片生成的特征文件有几百G）
损失函数
SVM，bounding-box回归损失，softmax损失，三个损失函数
代码实现
待更...