R-CNN的全称是Region-CNN，CNN算法是第一个利用深度学习来完成目标检测过程的算法

所以不是RNN+CNN, 不要被字面意思迷惑了

 

Faster RCNN

2016年提出，能够在给定图片中精确定位物体位置，预测物体类别

 

Faster RCNN的目标检测任务

给定图片中精确定位物体位置，预测物体的类别

尺度变化、视角变化、姿态变化、场景不确定、多个类别

 

发展经过

RCNN --> SPPNet --> Fast-RCNN --> Faster-RCNN

 

RCNN网络

2014年提出

 

RCNN主要在传统目标检测算法的特征提取的部分进行了优化

 

RCNN的步骤

RCNN是采用了预训练的模型

①步骤一：训练分类网络（AlexNet）

②步骤二：模型做fine-tuning

类别1000改为20去掉FC

③步骤三：特征提取

提取候选框（选择性搜索）对于每一个区域：修正区域为CNN的输入，利用网络对候选框提取到特征

④步骤四：训练SVM分类器

      每个类别对应一个SVM

⑤步骤五：回归器精修候选框位置

      利用线性回归模型判定框的准确度

 

RCNN缺点

候选框选择算法耗时严重重叠区域特征重复计算分步骤进行，过程繁琐

 

 

SPPNet

SPPNet，Spatial Pyramid Pooling，空间金字塔池化

 

空间金字塔池化

CNN不同尺度输入仅对原图提取一次卷积特征

利用金字塔池化层完成卷积特征的共享

 

 

Fast RCNN

结合了SPPNet的优点，来改进RCNN。为Faster RCNN的提出打下了基础，提供了可能

Fast RCNN也是RCNN的作者提出来的

 

改进的地方

①结合SPPNet改进RCNN

      ROI Pooling：单层SPPNet

ROI pooling是pooling层的一种，为了将proposal抠出来的过程，然后resize到统一的大小。

②多任务网络同时解决分类和位置回归

      共享卷积特征

      即在Fast RCNN中，我们不再采用SVM分类器和线性回归模型来完成候选框类别的判定和位置的回归

 

 

Fast RCNN网络的缺点

存在瓶颈：选择性搜索，找出所有的候选框十分耗时

 

那我们能不能找出一个更加高效的方法来求出这些候选框呢？

Region.Proposal Network（RPN）网络

用RPN优化的Fast RCNN也就是Faster RCNN

 

 

Faster RCNN

Faster RCNN网络提出之后，意味着深度学习目标检测算法的最终框架的成型。在后续的two-stage目标检测算法中，主要延用了这些框架，后续的主要改进点就是对一些组件的优化了

 

网络结构

 

RPN网络