R-CNN , Fast R-CNN , Faster R-CNN原理及區別
==RCNN==
1、生成候選區域
使用Selective Search（選擇性搜尋）方法對一張影象生成約2000-3000個候選區域，基本思路如下：
（1）使用一種過分割手段，將影象分割成小區域
（2）檢視現有小區域，合併可能性最高的兩個區域，重複直到整張影象合併成一個區域位置。優先合併以下區域：
- 顏色（顏色直方圖）相近的
- 紋理（梯度直方圖）相近的
- 合併後總面積小的
- 合併後，總面積在其BBOX中所佔比例大的
在合併時須保證合併操作的尺度較為均勻，避免一個大區域陸續“吃掉”其它小區域，保證合併後形狀規則。
（3）輸出所有曾經存在過的區域，即所謂候選區域
2、特徵提取
使用深度網路提取特徵之前，首先把候選區域歸一化成同一尺寸227×227。
使用CNN模型進行訓練，例如AlexNet，一般會略作簡化。
3、類別判斷
對每一類目標，使用一個線性SVM二類分類器進行判別。
輸入為深度網路（如上圖的AlexNet）輸出的4096維特徵，輸出是否屬於此類。
4、位置精修
目標檢測的衡量標準是重疊面積：許多看似準確的檢測結果，往往因為候選框不夠準確，
重疊面積很小，故需要一個位置精修步驟，對於每一個類，訓練一個線性迴歸模型去判定這個框是否框得完美。
==Fast R-CNN==
Fast R-CNN主要解決R-CNN的以下問題：
1、訓練、測試時速度慢
R-CNN的一張影象內候選框之間存在大量重疊，提取特徵操作冗餘。
而Fast R-CNN將整張影象歸一化後直接送入深度網路，緊接著送入從這幅影象上提取出的候選區域。
這些候選區域的前幾層特徵不需要再重複計算。
2、訓練所需空間大
R-CNN中獨立的分類器和迴歸器需要大量特徵作為訓練樣本。Fast R-CNN把類別判斷和位置精調統一用深度網路實現，不再需要額外儲存。
下面進行詳細介紹
- 在特徵提取階段，通過CNN（如AlexNet）中的conv、pooling、relu等操作都不需要固定大小尺寸的輸入，
因此，在原始圖片上執行這些操作後，輸入圖片尺寸不同將會導致得到的feature map（特徵圖）尺寸也不同，這樣就不能直接接到一個全連線層進行分類。
在Fast R-CNN中，作者提出了一個叫做ROI Pooling的網路層，這個網路層可以把不同大小的輸入對映到一個固定尺度的特徵向量。
ROI Pooling層將每個候選區域均勻分成M×N塊，對每塊進行max pooling。將特徵圖上大小不一的候選區域轉變為大小統一的資料，送入下一層。
這樣雖然輸入的圖片尺寸不同，得到的feature map（特徵圖）尺寸也不同，
但是可以加入這個神奇的ROI Pooling層，對每個region都提取一個固定維度的特徵表示，就可再通過正常的softmax進行型別識別。 - 在分類迴歸階段，在R-CNN中，先生成候選框，然後再通過CNN提取特徵，之後再用SVM分類，最後再做迴歸得到具體位置（bbox regression）。
而在Fast R-CNN中，作者巧妙的把最後的bbox regression也放進了神經網路內部，與區域分類合併成為了一個multi-task模型
實驗表明，這兩個任務能夠共享卷積特徵，並且相互促進。
Fast R-CNN很重要的一個貢獻是成功地讓人們看到了Region Proposal+CNN（候選區域+卷積神經網路）這一框架實時檢測的希望，原來多類檢測真的可以在保證準確率的同時提升處理速度。
==Faster R-CNN==
在Faster R-CNN中加入一個提取邊緣的神經網路，也就說找候選框的工作也交給神經網路來做了。
這樣，目標檢測的四個基本步驟（候選區域生成，特徵提取，分類，位置精修）終於被統一到一個深度網路框架之內。
Faster R-CNN可以簡單地看成是“區域生成網路+Fast R-CNN”的模型，用區域生成網路（Region Proposal Network，簡稱RPN）來代替Fast R-CNN中的Selective Search（選擇性搜尋）方法。
RPN的工作步驟如下：
- 在feature map（特徵圖）上滑動視窗
- 建一個神經網路用於物體分類+框位置的迴歸
- 滑動視窗的位置提供了物體的大體位置資訊
- 框的迴歸提供了框更精確的位置
==總結==
R-CNN、Fast R-CNN、Faster R-CNN一路走來，基於深度學習目標檢測的流程變得越來越精簡、精度越來越高、速度也越來越快。
基於region proposal（候選區域）的R-CNN系列目標檢測方法是目標檢測技術領域中的最主要分支之一。
print_r('點個贊吧')；
var_dump('點個贊吧')；
NSLog(@"點個贊吧！")
System.out.println("點個贊吧!");
console.log("點個贊吧!");
print("點個贊吧!");
printf("點個贊吧!\n");
cout << "點個贊吧!" << endl;
Console.WriteLine("點個贊吧!");
fmt.Println("點個贊吧!")
Response.Write("點個贊吧")；
alert（’點個贊吧’）