R-CNN簡介
R-CNN提出於2014年，應當算是卷積神經網路在目標檢測任務中的開山之作了，當然同年間還有一個overfeat演算法，在這裡暫不討論。
在之後的幾年中，目標檢測任務的CNN模型也越來越多，實時性與準確率也越來越好，但是最為經典的模型還是很值得學習的。
那麼下面就正式開始吧：
對於R-CNN模型，個人是這樣理解，它其實是將4個應用於不同任務的已有的演算法很好的結合了起來，最終在目標檢測任務中取得了不錯的效果，這種結合更像是偏向於工程的方法，而不是在演算法上的一種突破，當然在後續的Fast-RCNN與Faster-RCNN中模型逐步完善並整合成為一個模型，但是在R-CNN中是沒有的。
所以R-CNN由4個部分構成，它們分別是：
1.區域建議演算法（ss）
2.特徵提取演算法（AlexNet）
3.線性分類器（線性SVM）
4.邊界框修正迴歸模型（Bounding box）
區域建議演算法：
首先是區域建議（Region Proposal）演算法，這個東西在CNN之前就已經有了，而且演算法不止一種，ss（selective search）演算法是比較著名的一個，此外還有EdgeBox，MSER，MCG等等演算法。
那麼ss演算法在R-CNN中有什麼用呢？這要從目標檢測任務開始談起，在一副影像中要實現目標檢測任務，一種最簡單的思路是如果建立滑動窗，對每次滑動窗提取出來的影像做分類，如果分類結果恰好是目標的話，就實現了檢測啦，目標的屬性由分類器給，目標的位置由滑動窗給。但是考慮到一次滑動遍歷產生的子影像數量就不小了，同時還有不同步長和視窗尺寸的情況，此時產生的待分類影像是非常多的，這種方式顯然沒什麼實用價值，於是就有了ss演算法，一種根據影像自身資訊產生推薦區域的演算法，它大概會產生1000-2000個潛在目標區域，照比滑動遍歷的方式，這個數量已經減少了很多了。
特徵提取演算法：
這裡的特徵提取演算法其實就是卷積神經網路，R-CNN中使用的是AlexNet，但是作者（Ross）並沒有把AlexNet當做分類器來使用，而是隻用了網路的特徵層做ss演算法輸出的影像的特徵提取工作，然後第7層特徵給了SVM分類器，第五次特徵給了Bounding Box迴歸模型。
線性分類器：
R-CNN使用了線性SVM分類器，這個沒啥好說的，機器學習中很牛的演算法了，需要說明的是，目標檢測任務是有分類的功能的，比如一個任務是檢測貓和狗，那麼除了要框出貓和狗的位置之外，也需要判斷是貓還是狗，這也是SVM在R-CNN中的作用。所以待檢測物體有幾類，那麼就應該有幾個二分類的SVM分類器，在上面的例子中，就需要兩個二分類分類器了，分別是“貓-非貓”模型和“狗-非狗”模型，在R-CNN中，分類器有20個，它的輸入特徵是AlexNet提取到的fc7層特徵。
邊界框修正迴歸模型：
Bounding box也是個古老的話題了，計算機視覺常見任務中，在分類與檢測之間還有一個定位任務，在一副影像中只有一個目標，然後把這個目標框出來，用到的就是Bounding box迴歸模型。
在R-CNN中，Bounding box的作用是修正ss推薦的區域的邊界，輸入的特徵是AlexNet的第五層特徵，與SVM分類器一樣，它也是每一個類別都有一個模型，一共20個。
在上面，我們分別介紹了R-CNN的四個部分和他們的作用，可以看到，其實都是之前的東西，但是R-CNN的成功之處在於找到一種訓練與測試的方法，把這四個部分結合了起來，而準確率大幅提升的原因在於CNN的引入。我們參考下HOG+SVM做行人檢測的方法，HOG就是一種手工特徵，而在R-CNN中換成了CNN提取特徵。
所以個人的看法是理解R-CNN的關鍵不在於上面提到的四個演算法本身，而是它們在R-CNN到底是怎麼訓練和測試的！
R-CNN的訓練
R-CNN訓練了CNN，SVM與Bounding box三個模型，因為ss演算法用不著訓練，哈哈~~
ss在生成了1000-2000個推薦區域之後，就和訓練任務沒啥關係了，訓練樣本是由ss區域生成出來的子圖構建起來的。
而且三個部分的訓練時**的，並沒有整合在一起。
1.訓練CNN
CNN是在ImageNet上pre-train的AlexNet模型，在R-CNN中進行fine-tune，fine-tune的過程是將AlexNet的Softmax改為任務需要的類別數，然後還是當做一個分類模型來訓練，訓練樣本的構建使用ss生成的子圖，當這些圖與實際樣本的框（Ground-truth）的IoU大於等於0.5時，認為是某一個類的正樣本，這樣的類一共有20個；IoU小於0.5時，認為是負樣本。然後就可以AlexNet做pre-train了，pre-train之後AlexNet的Softmax層就被扔掉了，只剩下訓練後的引數，這套引數就用來做特徵提取。
2.訓練SVM
之前提到了，SVM的輸入特徵是AlexNet fc7的輸出，然後SVM做二分類，一個有20個SVM模型。那麼對於其中某一個分類器來說，它的正樣本是所有Ground-truth區域經過AlexNet後輸出的特徵，負樣本是與Ground-truth區域重合IoU小於0.3的區域經過AlexNet後輸出的特徵，特徵和標籤確定了，就可以訓練SVM了。
3.訓練Bounding box迴歸模型
Bounding box迴歸模型也是20個，還是拿其中一個來說，它的輸入是AlexNet conv5的特徵，注意這裡的20指的是類的個數，但是對一個Bounding box來說，它有4套引數，因為一個Bounding box迴歸模型分別對4個數做迴歸，這4個數是表徵邊界框的四個值，模型的損失函式如下：
其中i是樣本個數，*就是4個數，他們分別是x，y，w，h，其中（x，y）是中心位置，（w，h）是寬和高；P是ss給出來的區域，它由Px，Py，Pw，Ph四個數決定，這個區域經過AlexNet後再第五層輸出特徵，然後在特徵每一個維度前都訓練一個引數w，一組特徵就有一組w，隨4組做迴歸就有4組w；最後一個數就是t，它同樣有4個數tx，ty，tw，th，是這樣計算出來的：
而G就是經過修正後的邊界框，它還是4個數Gx，Gy，Gw，Gh。通過上面的公式可以看到，t是邊界框的偏差。
最後就是到底什麼樣的ss區域能夠作為輸入，在這裡是IoU大於0.6的。
用一句話總結Bounding box迴歸模型就是：對於某一個類的迴歸模型而言，用IoU>0.6的ss區域經過卷積後作為輸入特徵，用同一組特徵分別訓練4組權值與之對應，對邊界框四個屬性值分別做迴歸。
經過上面三個**的部分，R-CNN的訓練就完成了，可以看到，確實是非常麻煩，這不僅僅體現在速度慢上，過程也及其繁瑣，因為每一步都需要重新構建樣本。
R-CNN的測試
經過訓練的R-CNN就可以拿來做測試了，測試過程還是可以一次完成的，它有下面幾步：
1.ss演算法提取1000-2000個區域；
2.對所有的區域做歸一化，為了CNN網路能接受；
3.用AlexNet網路提出兩套特徵，一個是fc7層的，一個是con5層的；
4.對於一個fc7區域的特徵，分別過20個分類器，看看哪個分類器給的分數最高，以確定區域的類別，並把所有的區域一次操作；
5.對上述所有打好label的區域使用非極大值抑制操作，以獲取沒有冗餘（重疊）的區域子集，經過非極大值抑制之後，就認為剩下的所有的區域都是最後要框出來的；
6.重新拿回第5步剩下的區域con5層的特徵，送入Bounding box模型，根據模型的輸出做出一次修正；
7.根據SVM的結果打標籤，根據修正的結果畫框；
8.結束！！！！！！
R-CNN效能評價
R-CNN的出現使計算機視覺中的目標檢測任務的效能評價map出現了質的飛躍：
但是R-CNN也有一個很致命的缺陷，超長的訓練時間和測試時間：
訓練時間需要84個小時，如果說訓練時間還不是那麼重要的話，那麼單張圖片的測試時間長達47s，這個缺陷使R-CNN失去了實用性，好在後續的各種演算法對其進行了改進，這個我們後面在提。
補充
1.非極大值抑制在這裡不介紹了；
2.如何根據Bounding box模型的輸出做出修正：
模型輸出是四個值的偏差（比例），那麼根據如下公式就能夠得到最後的位置
第五個公式就是Bounding box模型。
深度學習目標檢測(object detection)系列（二）：quant.la/Article/Vie…