R-CNN算法介绍（R-CNN专题）

R-CNN(Region-based Convolutional Neural Networks)是利用深度学习进行目标检测的开山之作，由Ross Girshick等人在2014年提出，论文地址：https://arxiv.org/abs/1311.2524；

R-CNN算法流程：

第一步：通过Selective Search算法，在一张图像上生成1k~2k个候选框

Selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到具有层次化的区域结构，这些区域结构就包含着可能需要的物体，如下图所示。

Selective Search算法代码实现

第二步：通过CNN网络对每个候选框进行特征提取，每个候选框生成4096维特征向量

将Selective Search算法生成的2000个候选框Resize成227*227的大小，然后输入到AlexNet网络，得到对应的2000个4096维特征向量，如下图。

第三步：将每个特征向量输入到每一类的SVM分类器，判定是否属于该类

将2000个4096维特征向量(2000*4096矩阵)与20个SVM分类器(用于训练的Pascal VOC 2007数据集有20个类别)组成的4096*20权值矩阵进行相乘，得到2000*20矩阵，表示每个候选框是某个类别的得分；对于同一类别的候选框，使用非极大值抑制NMS算法(参考：算法岗面试总结—目标检测篇（第二题）)剔除多余的候选框。

第四步：使用回归器调整候选框的位置

对于NMS处理后剩余的候选框，再通过20个回归器，使用最小二乘法，通过最小化误差(候选框和标注框之间的差)的平方和寻找最佳函数匹配。

R-CNN算法的缺点：

训练速度慢：训练过程及其繁琐；

训练空间大：每张图片会生成2000个候选框，需要对所有候选框进行特征提取，而Pascal VOC 2007训练集有5000多张图片，所有候选框的特征向量占内存空间很大；

测试速度慢：Selective Search算法提取候选框需要2s左右，再对所有候选框进行特征提取，最后检测一张图片需要大约53s(CPU)。