1.总体框架

    R-CNN目标检测模型总体上分为三大模块：1.区域提议，2.CNN特征提取，3.SVM判别。
  1. 区域提议：也可以理解为候选框提取。通过某种方法从原始输入图像中提取出与类别无关的大约2k个候选框。
  2. CNN特征提取：经过第1步提取到2k个候选框之后，分别利用CNN对这些候选框进行特征提取。
  3. SVM判别，利用第2步提取到的特征，分别对每种类别训练一个SVM二分类器，判断输入是为该类目标。其中背景也算作一类。
 
 

2.详细介绍

2.1. selective search区域提议

　　区域提议通过selective search方法，从输入图像中提取出与类别无关的大约2k个候选框。 selective search方法大概可以解释为：先初始化一堆小的区域，然后根据小区域的像素、色彩、纹理等特征的相似性进行区域合并，并循环逐渐合并成大的区域，直到最后合并为完整的原始输入（类似于哈夫曼树的构造过程），将出现过的区域作为目标检测的候选框。这种根据区域特征相似性来获取候选框的方法，要优于使用滑动窗口的暴力方法。
 

2.2. 微调预训练的CNN进行特征提取

　　使用CNN对2k个候选框进行特征提取。由于数据集的大小经常有限，而且由头到尾训练一个复杂的CNN模型也需耗费很多的时间，因此R-CNN使用预训练的CNN网络（如Alexnet）进行微调（fine-tuning）。最终，每个候选框提取出维度相同的向量（4096维）。
　　如何训练？将Alexnet最后一个全连接层的1000维输出，换成自己数据集目标类别数+1（N+1）维，“+1”是将背景也考虑成一个类别。疑问：训练的时候，是不是卷积层的参数的都冻结了，而只修改全连接层的参数？
　　哪个作为提取到的特征？应该是倒数第二层全连接层的那4096个输出？不太确定。
　　训练数据的选取？正样本：所有与ground-truth box（就是手工标记的那个目标框）的交并比（IoU）>= 0.5的候选框。负样本：正样本之外的为负样本。在每次SGD迭代中，一个batch的大小为128，其中有32个正样本和96个负样本。之所以这么采样，是因为正样本比较少。
 

2.3. SVM判别

　　经过CNN，每个候选框都提取到长度为4096的特征。然后对于每一个目标检测类别，单独训练一个SVM二分类器，判读输入的特征所代表的候选框是否属于该类别的可能性是多少。然后将可能性高于某个阈值的的候选框视为真，其他的候选框视为假，并且抛弃掉。
　　训练数据的选取？正样本：直接是 ground-truth box（实际上就是要求IoU=1）。负样本：所有与ground-truth box交并比< 0.3的候选框。（注意：训练CNN和训练SVM的数据集选取方式是不同的）
 

2.4. NMS（non-maximum suppression）

　　经过第3步SVM判别之后，可能会出现一些判定为真的候选框堆叠、交织在一起，这种现象可能是：若干个候选框都分别包括了检测目标的一部分，或者两个判定为真的候选框其中一个包含在另一个之中。所以很多已经判定为真的候选框其实是多余的，因此需要通过某种方法去除掉这些候选框。这种方法就是NMS，它是一种贪心的做法（以下讨论的候选框都是已经判定为真的）：对于两个IoU大于某个阈值的候选框，去除掉可能性小的一个候选框而保留可能性大的候选框，以此循环迭代，直到不能再去除候选框。
 

2.5. 边框回归

　　经过第4步NMS之后，我们已经筛选出相对比较好的候选框，但是这些这些候选框其实大多数都不太精确，因为回想一下这些候选框最初是怎么提取出来的？是用selective search方法通过特征相似性来合并小区域得来的，而且是无关类别。而某一类别一般都有相对固定的形状或者长宽比例，因此，为了进一步得到更加精确的边框（对候选边框进行调优），需要进行边框回顾，学习某一特定类别的边框属性。
    做法就是：每个类别都分别训练一个线性回归模型，该模型的输入(P,G)，P =（Px，Py，Pw，Ph），G =（Px，Py，Pw，Ph）。P代表着候选框，（Px，Py）是候选框的中心位置，Pw、Ph分别是候选框的宽和高。而G则是ground-truth box（即目标框）。（后面没看懂，待定……）
 
 

3.细节问题

3.1. CNN特征提取和SVM分类的数据集选择问题？

　　训练CNN时，正样本：所有与ground-truth box（就是手工标记的那个目标框）的交并比（IoU）>= 0.5的候选框。负样本：正样本之外的为负样本。
　　训练SVM时，正样本：ground-truth box（实际上就是要求IoU=1）。负样本：所有与ground-truth box交并比< 0.3的候选框。
　　可以看得出CNN的训练集要比SVM训练集大，为什么要这样选择？因为CNN容易过拟合，所以必须要多一点数据来训练，以防止过拟合。而SVM适用于小数据集，而且这个小数据集显然更加精准，因为IoU设置得更加严格。
 

3.2. 为何不直接CNN进行特征提取+分类？而要拆成CNN特征提取+SVM分类？

　　因为再单独训练一个SVM用于分类，要比直接使用CNN的softmax分类的效果要好，有两个原因造成的。
　　（1）在微调CNN时，为了防止过拟合，需要比较多的训练数据，因此对于训练数据的IoU设置得比较松，从而得到比较多的训练数据，但这样的代价是：训练数据的精确度降低了，就比如原本IoU=1时才算作正样本，现在IoU=0.5都算的话，就意味着框住0.5个检测目标也当成正样本，这就显然降低了训练数据的质量。所以为了分类的精确度，就需要保证训练数据的质量，因此单独将分类问题拿出来，交由SVM解决。
　　（2）分类问题单独拿出来时，因为训练时是每个类别对应一个SVM分类器，因为在挑选负样本时，除了能够选到背景之外，还能够选到其他类别的目标，因此能够增强分类器的识别能力。若使用CNN的softmax作为分类，因训练数据的负样本选择的是背景，所以识别能力相对弱了一点。