本文共 1065 字，大约阅读时间需要 3 分钟。
R-CNN算法是目标检测领域的重要里程碑之一，该算法成功地将深度学习技术应用于目标检测，开创了历史新篇章。2012年AlexNet在ImageNet LSVRC中取得突破性成绩后，R-CNN的作者希望将AlexNet的图像分类能力迁移到PASCAL VOC目标检测任务中。这一目标需要解决两个关键问题：如何利用卷积网络进行目标定位，以及如何在小规模的数据集上训练出高性能的网络模型。
针对目标定位问题，R-CNN采用了候选区域（Region Proposal）的方法，这也是该算法得名的由来。通过生成一系列候选区域，结合与CNN特征提取的结果，从而实现对目标的定位。为了应对小规模数据集的训练挑战，R-CNN利用了AlexNet网络在ImageNet上的预训练模型进行微调，同时结合小规模、针对性的数据增加训练样本，使得模型性能得以显著提升。
R-CNN的完整流程可以分为以下几个关键步骤：
候选区域的生成：
通过Selective Search算法对图像进行分割，得到原始候选区域，然后通过合并策略生成层次化的区域结构。这一层次化的区域结构能够有效覆盖图像中的潜在目标区域。特征提取：
将生成的2000个候选区域调整为227×227的尺寸，作为输入，发送到预训练好的AlexNet卷积神经网络中，提取4096维特征，形成2000×4096维的特征矩阵。分类与非极大值抑制：
将提取的4096维特征与20个SVM分类器结合，计算每个候选区域对应的类别得分。通过非极大值抑制（Non-Maximum Suppression，NMS）进一步优化，删除同一类中得分较低且与其他候选区域重叠较高的区域，确保每个类别只保留部分最优的候选框。回归调整：
使用20个回归器对剩余的候选框进行位置精细修正，最终生成对应类别的准确目标边界框输出。R-CNN在实践中面临以下主要问题：
转载地址：http://tqfvz.baihongyu.com/