前言

由于基于深度学习的方法较传统方法相比，准确率有了较明显的提升，故只学习基于深度学习方法的目标检测。

RCNN系列算法将从论文着手，结合其他资料，学习R-CNN、 Fast R-CNN、Faster R-CNN。

R-CNN的全称是Region-CNN，是第一个成功将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN)，线性回归，和支持向量机(SVM)等算法，实现目标检测技术。[ref] R-CNN_百度百科 (baidu.com)[/ref]

论文与源码

原论文：1311.2524.pdf (arxiv.org)

代码：rbgirshick/rcnn: R-CNN: Regions with Convolutional Neural Network Features (github.com)

R-CNN论文

R-CNN 下载

摘要

摘要首先开门见山地指出与之前传统方法相比，R-CNN一下子将平均精度提高了30%（至53.3%），可见其有效性。

指出了本文的两个要点：① 高容量卷积神经网络自底向上，以便定位和分割对象；② 当标记的训练数据稀少时，用于辅助任务的监督预训练，接着是域特定的微调，产生显著的性能提升。

RCNN名字由来：Regions with CNN features。

结论

结论部分内容描述内容与摘要基本一致。在这里作者提到了“计算机视觉“和”深度学习”两种工具结合使用，这一方法在现在看起来应该是十分常见的了，但是在2014年，这一结论确实有着对应的时代意义。

介绍

在介绍部分，作者给出了本篇论文提出的时代背景：最近几年（2010年左右）在目标检测领域，传统算法达到了瓶颈。传统的特征提取方法如SIFT和HOG只能提取表层特征，而卷积神经网络可以提取到更多的信息。

正是在这几年，人们重新发现了深度学习方法在图像处理领域，尤其是在图像分类任务优异的表现，作者便想要弥合图像分类与目标检测之间的性能鸿沟。作者提出了两个待研究问题：用深度网络定位对象和用少量标注的检测数据训练高容量的模型。

定位问题

方法一：将定位问题描述为一个回归问题。Szegedy等人在实践中证明该方法性能不佳。
方法二：建立一个滑动窗口探测器。与CNNs思路一致。

存在问题：输入图像中具有非常大的感受野(195×195像素）和步幅(32×32像素），滑动窗口范式中的精确定位成为一个开放的技术挑战。

介绍

本文解决思路：“使用区域的识别”。使用CNN从每个建议中提取一个固定长度的特征向量，然后用特定类别的线性SVM对每个区域进行分类。使用一种简单的技术（仿射图像翘曲）来计算每个区域提案的固定大小的CNN输入，而不管区域的形状如何。由于将区域建议与CNNS结合在一起，我们将该方法命名为R-CNN：具有CNN特征的区域。系统设计概述见下图。