一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第17天，点击查看活动详情。
RCNN
计算机视觉是一个跨学科的领域，随着卷积神经网络的出现，再次推动了计算机视觉各个任务向前发展。还有无人驾驶也再次对计算机视觉任务提出新的要求。
在计算机视觉一个主要任务就是目标检测，以目标检测为基础的实例分割、姿态估计和跟踪也是当下主流的研究方向。
多目标检测问题要比图像分类复杂得多，图像分类问题，往往图像中只有一个我们感兴趣的类别，而目标检测问题中，图像中有多少个我们感兴趣目标我们并不知道，而且我们不但要判断有多少个要检测目标，这些目标分别属于什么类别，而且还需要给出其位置所在，我们需要拥有边界框将目标物体括起来来表示目标物体的位置。
虽然距离 2014 年提出 RCNN 网络已经过去快 8 年了，不过现在的目标检测 2 stage 网络大概 pipeline 还是准寻这当年 RCNN 基本思想。
解决目标检测一般思路
多目标检测，也就是一张图像中，可能存在多个目标(我们感兴趣)的物体，在目标检测任务，或者说多目标检测，我们需要对图像中出现的目标，不但要说出图像中的目标所属的类别，还要给出其位置信息。那么一个比较朴素想法，既然我们分类已经做的很好，我们能不能将目标检测问题转化为分类问题。
- 提取候选框，也就是将一张大图片变为若干张小图像
- 然后对小图像做一个分类任务
RCNN 网络基本思想
- 对输入图像提取 2k 候选区域
- warped region 对候选区域进行一次缩放
- 通过 CNN 计算特征
OverFeat 在之前，有关 OverFeat 在之前也介绍过，大家可以翻阅一下之前录制的视频
候选框的生成
利用 selective Search 算法通过图像分割的方法得到一些原始区域，然后通过一定策略将这些原始区域进行合并，得到一个层次化的区域结果，而这些结构就包括可能需要的物体。
selective search 从概念上来看属于图像分割，通过使用阶层聚类算法，产生物体候选区域，通常会认为同一个物体，其纹理或者颜色具有一定相似性，也就是利用颜色、纹理、大小和形状相似性来选择候选区域。
提取候选框的特征
我们通常利用 selective search 会生成 2k 候选框，然后将这些候选框进行缩放一个统一的大小尺寸(warped region)，论文中是 227x227 接着将候选区域输入事先训练好的神经网络获取 4096 维度特征，得到 2000x4096 相当做 2k 分类任务，
将基于卷积神经网络后直接将特征图进行展平后，并没有输入到全连接层，那么 2000 x 4096
分类器
SVM 是 2 分类分类器，这里简单地说一下，之前的确下了很多功夫，今天来看过时的东西，我们还是简单了解一下，时代在变，大家学习重点也在不断迁移，我们今天在数学上，计算机的出现，让我们可以少在计算技巧花一些功夫。2000x4096 特征与 20 个 SVM 组成的权值矩阵 4096x20 相乘，获取 2000x20 为矩阵，在矩阵中，每一列也就是每一类进行非极大值抑制剔除权重重叠候选框，
非极大值抑制(NMS)
可能该模型能够找到同一物体的多个边界盒。非极大值抑制有助于避免对同一实例的重复检测。在我们得到一组相同对象类别的匹配边界框后。按置信度分数对所有边界框进行排序。
非极大值抑制剔除重叠建议框，IoU(Intersection over Union) 也就是两个集合 A 和 B 他们交集比上他们并集。
- 寻找得分最高的目标
- 计算其他目标与该目标的 IoU 值
- 删除所有 IoU 值大于给定阈值的目标
回归算法来精修候选框
对 NMS 处理后剩余的建议框进一步筛选。接着分别用 20 个回归器对上述 20 个类别中剩余的建议框进行回归操作，最终得到每个类别的修正后的得分最高的 bounding box，预测得到 bounding box x 方向的偏移量和 y 方向的偏移量，以宽度和高度的缩放因子，
将不包含目标作为负例样本，并非所有的负例样本都同样难以识别，也就是对于负例样本识别有的负例样本容易识别，如某一个负例并不包含目标一部分或者，如果在负例样本中包括一些噪音或者目标一部分，可能这样负例样本就不能容易事
这样难于识别负例样本增加识别难度，容易造成误识别。
