步骤一：训练（或者下载）一个分类模型（比如AlexNet）
步骤二：对该模型做fine-tuning
将分类数从1000改为20，加上背景共21类；变成21类的分类任务，进行端对端训练。
步骤三：特征提取
提取图像的所有候选框（选择性搜索）
对于每一个区域：缩放区域大小以适合CNN的输入，做一次前向运算（第二步已经完成分类模型的训练），将第五个池化层的输出（就是对候选框提取到的特征）存到硬盘
步骤四：训练一个SVM分类器（二分类）
判断这个候选框里物体的类别，每个类别对应一个SVM二分类器，判断是不是属于这个类别，是就是positive，反之negative
比如下图，就是狗分类的SVM
步骤五：使用回归器精细修正候选框位置
对于每一个类，训练一个线性回归模型去判定这个框是否框得完美。
类似于下图：
注意：使用选择行搜索，确定候选框 ；然后把候选框输入到CNN网络，提取候选框的特征；最后把特征输入到SVM中，进行分类。
最后总结一下各大算法的步骤：
RCNN （选框，提特征，分类，定位）
- 在图像中确定约1000-2000个候选框 (使用选择性搜索)
- 每个候选框内图像块缩放至相同大小，并输入到CNN内进行特征提取
- 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
- 对于属于某一特征的候选框，用回归器进一步调整其位置
SPPnet
- SPPnet算法过程和R-CNN一样，只是在提特征方式上做了改进：把整张待检测的图片，输入CNN中，进行一次性特征提取，得到feature map，然后对各个候选框对应的特征采用空间金字塔池化SPP，提取出固定长度的特征向量。
- 回顾R-CNN的特征提取过程：对于每一个候选框，缩放候选框大小以适合CNN的输入，做一次前向运算，将第五个池化层的输出（就是对候选框提取到的特征）存到硬盘
Fast RCNN
- 输入训练图像；
- 利用selective search 算法在图像中从上到下提取2000个左右的候选框(Region Proposal)；
- 将整张图片输入CNN，进行特征提取，得到feature map；
- 把建议窗口映射到CNN的最后一层卷积feature map上；前四步和SPP-net一样。
- 通过RoI pooling层（单层sppnet的网络层，即只有一种网格）使每个候选框对应的特征图生成固定尺寸的feature map。而SPPnet采用的空间金字塔池化，生成的是固定尺寸的feature vector；
- 利用Softmax Loss(分类器) 和Smooth L1 Loss(边框回归器)，对分类概率和边框回归(Bounding box regression)联合训练，去掉了SVM。SPPnet是分步训练的。
Faster RCNN
- 对整张图片输进CNN，得到feature map；
- 卷积特征输入到RPN，提取候选框（主要贡献）；
- 对候选框中提取出的特征，对其进行分类；
- 对于属于某一特征的候选框，用回归器进一步调整其位置。
RPN简介：
• 在feature map上滑动窗口
• 建一个神经网络用于物体分类+框位置的回归
• 滑动窗口的位置提供了物体的大体位置信息
• 框的回归提供了框更精确的位置
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
