RCNN 算法可以看成是将 CNN 引入目标检测领域的开山之作，其过程还是比较，四个步骤

  1. 候选区域生成： 一张图像生成1K~2K个候选区域 （采用 Selective Search 方法）
  2. 特征提取： 对每个候选区域，使用深度卷积网络提取特征 （CNN）
  3. 类别判断： 特征送入每一类的 SVM 分类器，判别是否属于该类
  4. 位置精修： 使用回归器精细修正候选框位置

1. 区域候选框（Region Proposal）提取

　　RCNN 采用选择性搜索（Selective Search）方法生成打开 2K 个区域候选框，大概操作流程如下：

  • 输入一张图片作为输入

  • 生成最初的小分割图，将图片分成多个区域

  • 基于颜色、结构、尺寸、形状，将相似的区域合并成更大的区域

　　最后，生成最终的目标物体位置（Region of Interest），大概 2K 个候选区域。然后对这些区域进行 Warp 裁剪，使之编程适合 CNN 处理的大小，即 $227\times 227$。

2. 特征提取

　　使用已经训练好的 CNN 模型，如 AlexNet 或者 VGG 网络。对于数据，可以利用真实的标注框坐标作为基准，给上一步得到的 2K 个区域候选框打上对应的标签，然后利用 CNN 网络提取特征。

3. 分类判断

　　每个提议区域的特征连同其标注的类别作为一个样本，训练多个支持向量机对目标分类。其中每个支持向量机用来判断样本是否属于某一个类别。

4. 位置精修

　　分别用 20 个回归器对上述 20 个类别中剩余的区域候选框进行回归操作，最终得到使得每个类别的修正后的得分最高的 bounding box。

5. 总结

　　优点：

　　缺点：

  • R-CNN的主要性能瓶颈在于需要对每个提议区域独立抽取特征。由于这些区域通常有大量重叠，独立的特征抽取会导致大量的重复计算。

References

  1. RCNN-将CNN引入目标检测的开山之作
  2. R-CNN论文详解