文章的地址:http://fcv2011.ulsan.ac.kr/files/announcement/513/r-cnn-cvpr.pdf
这篇paper是由Ross大神完成的，之后还有faser-rcnn和faster-rcnn。R-CNN是将传统的CNN进行改进，先提出检测的备选区域Region Proposal，然后，利用cnn去检测这些Region。这种方法不仅可以识别物体，而且可以提供目标的位置信息。
思想
本文解决了目标检测中的两个关键问题。
问题一：速度
经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断。
问题二：训练集
经典的目标检测算法在区域中提取人工设定的特征（Haar，HOG）。本文则需要训练深度网络进行特征提取。可供使用的有两个数据库：
一个较大的识别库（ImageNet ILSVC 2012）：标定每张图片中物体的类别。一千万图像，1000类。
一个较小的检测库（PASCAL VOC 2007）：标定每张图片中，物体的类别和位置。一万图像，20类。
本文使用识别库进行预训练，而后用检测库调优参数。最后在检测库上评测。
流程
RCNN算法分为4个步骤
- 一张图像生成1K~2K个候选区域
- 对每个候选区域，使用深度网络提取特征
- 特征送入每一类的SVM 分类器，判别是否属于该类 (将k个svm分类器中得分最高的类作为分类结果，将所有得分不高的region作为背景)
- 使用回归器精细修正候选框位置
模型设计
候选区域
这一部分利用selective search方法来划分region，selective search方法是一个语义分割的方法，它通过在像素级的标注，把颜色、边界、纹理等信息作为合并条件，多尺度的综合采样方法，划分出一系列的区域，这些区域要远远少于传统的滑动窗口的穷举法产生的候选区域。
基本思路：
- 使用一种过分割手段，将图像分割成小区域
- 查看现有小区域，合并可能性最高的两个区域。重复直到整张图像合并成一个区域位置
- 输出所有曾经存在过的区域，所谓候选区域
合并规则：
优先合并以下四种区域：
- 颜色（颜色直方图）相近的
- 纹理（梯度直方图）相近的
- 合并后总面积小的
- 合并后，总面积在其BBOX中所占比例大的
上述四条规则只涉及区域的颜色直方图、纹理直方图、面积和位置。合并后的区域特征可以直接由子区域特征计算而来，速度较快。
特征提取
通过训练好的Alex-Net，先将每个region固定到227*227的尺寸，然后对于每个region都提取一个4096维的特征。在resize到227*227的过程中，在region外面扩大了一个16像素宽度的边框，region的范围就相应扩大了，考虑了更多的背景信息。
模型训练
CNN训练
首先拿到Alex-Net在imagenet上训练的CNN最为预训练，然后将网络的最后一个全连接层的1000类改为N+1（N为类别的数量，1是背景）来微调同于提取特征的CNN。为了保证训练只是对网络的微调而不是大幅度变化，调整学习率为0.001。计算每个region proposals与ground-truth的IoU，IoU阈值设为0.5，大于0.5的IoU作为正样本，小于0.5的为负样本。在训练的每一次迭代中都使用32个正样本（包括所有类别）和96个背景样本组成的128张图片的batch进行训练（这么做是因为正样本图片太少了）。
分类器训练
训练N（N为类别数）个线性svm分类器，分别对每一个类做一个二分类。在这里，作者将IoU大于0.5的作为正样本，小于0.3的作为负样本。（为什么不是0.5：因为当设为0.5的时候，MAP下降5%，设为0的时候，MAP下降4%，所以取中间值0.3）。后面说到softmax在VOC 2007上测试的MAP比SVM的MAP低，因为softmax的负样本（背景样本）是随机选择的即在整个网络中是共享的，而SVM的负样本是相互独立的，每个类别都分别有自己的负样本，SVM的负样本更“hard”，所以SVM的分类准确率更高。
边界框回归
作者通过训练一个回归器来对region的范围进行一个调整，因为region最开始只是用selective search的方法粗略得到的，通过调整以后可以得到更加精确的位置。
