写在前面：

对于目标识别领域的发展，RCNN-FAST-FATER-YOLO-SSD-YOLO9000

对于rcnn和fast 二者使用selective search的算法进行图像的强硬分割，并将分割的图像作为提议选取进行cnn的网络训练。而faster进行了在原有的fast的基础上加入了rpn，现在分开来说说。

RCNN

对于rcnn使用svm进行分类，并使用bbox进行位置精修。网络结构示意图及训练过程如下

RCNN算法分为4个步骤

- 使用SS算法生成2k个提议选区
- 对每个提议选区进行深度网络的特征提取，可以使用（vgg,axlenet,googlenet等）
-将每个提议选区的特征送入每一类的SVM 分类器，判别是否属于该类，存在多少个类，对应多少个svm分类器
- 使用bbbox回归器精细修正候选框位置

详细点---------

使用selective search的方法在测试图片上提取2000个region propasals ，将每个region proposals归一化到227x227；
在CNN中正向传播，将最后一层得到的特征提取出来；
对于每一个类别，使用为这一类训练的SVM分类器对提取的特征向量进行打分，得到测试图片中对于所有region proposals的对于这一类的分数，再使用贪心的非极大值抑制去除相交的多余的框
非极大值抑制（NMS）先计算出每一个bounding box的面积，然后根据score进行排序，把score最大的bounding box作为选定的框，计算其余bounding box与当前最大score与box的IoU，去除IoU大于设定的阈值的bounding box
重复上面的过程，直至候选bounding box为空，然后再将score小于一定阈值的选定框删除得到一类的结果
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

第三条，保证合并操作的尺度较为均匀，避免一个大区域陆续“吃掉”其他小区域，保证合并后的形状规则。

rcnn的弊端：

使用ss得到提议选区，一张图可以得到2000个region proposal，这里面涉及到大量的重复计算
对图像分分类使用的是svm的方法，并且每一个分类对应一个svm来判断选区内是否为该种类，与深度学习格格不入

Fast rcnn

对比rcnn，fast主要针对rcnn存在的上述弊端进行了改进，

通过网络结构可以就看出，fast的的方法如下：

.使用ss算法对图像产生2k个提议选区，得到选区的位置
将整张图像进行深度网络的特征提取，深度网络仍然采用vgg，alexnet或者Googlenet，并去除掉深度网络的最后面的全连接层，只保留最后一层feature map，一般情况下，该深度网络会事先在数据集上进行与训练，已缩短目标识别网络的训练时间；
使用第一步ss算法得到的位置，并使用roipooling的方法得到region proposal在该featuremap上的位置，并将该位置的feature map的信息作为后续网络结构的输入
将上一步region proposal 进行平铺
连接两个全连接层，分别进行分类和回归，对于分类，采用softmax；对于位置回归采用bbox损失函数计算。

损失函数

损失函数包含两部分，使用多任务损失函数的方式.

分类损失函数+回归损失函数

分类损失函数使用log损失函数：Lcls=-log Pu只判断正样本的损失损失函数

回归损失函数使用smoothL1损失函数：Lreg=R（t-t*），其中smoothL1 损失函数的定义如下

对于回归损失函数中的输入量t和t*表示的是预测的位置与ground truth的位置。

fast的弊端

对于fast的主要存在提议选区的问题，在原来的fast的基础上加入了rpn网络。

Summary：Fater Rcnn相关推荐

Tensorflow2.0：Faster RCNN 代码详解(一)
第一部分给出Fater RCNN文件的代码解析,主要是模型主体的执行过程,在此文件引入下述几个文件的函数引用,对于backbones,necks和test_mixins文件来说,主要是用来构建模型结 ...
Paper9：Fast RCNN
code:s available under the open-source MIT License at https://github.com/rbgirshick/ fast-rcnn. 摘要: ...
深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD
为什么80%的码农都做不了架构师?>>> Faster R-CNN.R-FCN 和 SSD 是三种目前最优且应用最广泛的目标检测模型,其他流行的模型通常与这三者类似.本文介绍了 ...
基于深度学习的目标检测技术的演进：从R-CNN到Faster R-CNN
导语什么是Objection Detection?就是在给定的图片中精确的找到物体所在位置,并且标注出物体的类别.目标检测要解决的问题就是物体在哪里?是什么?这样的问题.然而,这个问题并不是那么容易 ...
抛弃Anchor box和NMS，目标检测新范式开源：Sparse R-CNN
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要10分钟 Follow小博主,每天更新前沿干货作者丨孙培泽@知乎来源丨https://zhuanlan.zhihu.com/p/31005 ...
DL之FasterR-CNN：Faster R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之FasterR-CNN:Faster R-CNN算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略目录 Faster R-CNN算法的简介(论文介绍) 1.实验结果 2.三者架构对 ...
DL之FastR-CNN：Fast R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之FastR-CNN:Fast R-CNN算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略目录 Fast R-CNN算法的简介(论文介绍) 1.实验结果 2.Fast R-CNN算 ...
DL之MaskR-CNN：Mask R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之MaskR-CNN:Mask R-CNN算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略目录 Mask R-CNN算法的简介(论文介绍) 0.实验结果 1.实例分割具有挑战性 2 ...
目标检测（R-CNN、Fast R-CNN、Fater R-CNN）
目标检测(R-CNN.Fast R-CNN.Faster R-CNN) 1.目标检测(object detection) 图像识别是输入一张图像,输出该图像对应的类别.目标检测的输入同样是一张国像,但 ...

Summary：Fater Rcnn