一、前言
因为是第一篇，所以这里记录一点基础：
分类、检测、分割的区别：
（1）图像分类：只需要指明图像中相应目标所属的类别就可以；
（2）目标检测：需要定位到目标所处的位置，用矩形框表示；
（3）目标分割：a. 语义分割：需要找到当前目标所占的区域，去除背景区域，其他目标的区域；b. 实例分割：不仅需要区分不同语义的目标，而且对于同一类别的目标也需要划分出不同的实例；
下面这张图像就对应了上述的情况
接下来都是学习目标检测系列的网络（深度学习）
二、分类
1.Two-Stage目标检测算法
代表：
R-CNN
Fast-RCNN
Faster-RCNN
Mask-RCNN
2.One-Stage目标检测算法
代表：
YOLO系列
SSD系列
3.二者的区别
二者的最大区别在于是否包含RPN（候选区域目标推荐）的过程，即Two-Stage在进入网络前，需要先进行候选框的操作，分为两个阶段完成。
三、R-CNN（Region with CNN features）
1.总体
分为两个阶段：
第一阶段：目标候选框Object Proposals
第二阶段：proposal缩放后放入CNN网络
上图，R-CNN目标检测算法的步骤：
（1）利用Selective Search方法，在输入图像上选出2000个候选框
（2）将生成的所有候选框，每一个候选框resize之后（即所有的候选框都resize成相同尺寸），传入CNN网络，利用CNN提取特征，输出特征图；
（3）将特征图送入SVM二分类器，判断目标是否属于该类别；
（4）Bounding box regression，根据监督学习训练回归器，调整候选框的大小；
2.详细讲解上面的步骤
整个R-CNN结构分散，可以分为几个部分：候选框的生成、CNN网络、分类器、回归框，这几个部分都是需要单独训练，所以RCNN并不端到端的目标检测。
（1）Selective Search具体的过程：
- 使用一种过分割方法，将图像分割成比较小的区域；
- 计算所有邻近区域之间的相似性（可能属于同一个目标）；
- 将相似性比较高的区域合并到一起；
- 计算合并区域和邻近区域的相似性；
- 迭代合并，聚合到2000张候选框，就可以停下来；
（2）CNN网络：
预训练的CNN网络，利用AlexNet网络，使用五个卷积层和两个全连接层，对输入的候选框进行特征提取，最终输出的是一个特征向量。
（3）分类：
R-CNN在每张图片上抽取了2000个候选框，resize之后送入网络中，输出特征，然后利用SVM进行类别判断并产生相应的分数，因为候选框有2000个，所以必然有很多的框是重叠的，因此针对每一个类别，需要计算IoU，采用非极大值抑制（NMS），剔除部分重叠区域。
（4）回归
定位框回归，输入的是第五个池化层输出的特征图，人工标注的框，然后进行训练，将特征图的框去拟合真实的框
