一、為什麼提出R-CNN

目標檢測效能停滯不前，效能最好的整合方法又太複雜，所以作者提出了一個既能大幅提升效能，又更簡單的R-CNN。

二、R-CNN的框架

上面的框架圖清晰的給出了R-CNN的目標檢測流程：

1) 輸入測試影象

2) 利用selective search演算法在影象中提取2000個左右的region proposal。

3) 將每個region proposal變換（warp）成227x227的大小並輸入到CNN，將CNN的fc7層的輸出作為特徵。

4) 將每個region proposal提取到的CNN特徵輸入到SVM進行分類。

針對上面的框架給出幾點解釋：

• 上面的框架圖是測試的流程圖，要進行測試我們首先要訓練好提取特徵的CNN模型，以及用於分類的SVM：使用在ImageNet上預訓練的模型（AlexNet/VGG16）進行微調得到用於特徵提取的CNN模型，然後利用CNN模型對訓練集提特徵訓練SVM。

• 對每個region proposal縮放到同一尺度是因為CNN全連線層輸入需要保證維度固定。

• 上圖少畫了一個過程——對於SVM分好類的region proposal做邊框迴歸（bounding-box regression)，邊框迴歸是對region proposal進行糾正的線性迴歸演算法，為了讓region proposal提取到的視窗跟目標真實視窗更吻合。因為region proposal提取到的視窗不可能跟人手工標記那麼準，如果region proposal跟目標位置偏移較大，即便是分類正確了，但是由於IoU(region proposal與Ground Truth的視窗的交集比並集的比值)低於0.5，那麼相當於目標還是沒有檢測到。

三、R-CNN的優點

1）相對之前的演算法，目標檢測效能大幅提升。

四、R-CNN的缺點

1）訓練分為多個階段，步驟繁瑣: 微調網路+訓練SVM+訓練邊框迴歸器

2）速度慢: 使用GPU, VGG16模型處理一張影象需要47s。

3）訓練耗時，佔用磁碟空間大：5000張影象產生幾百G的特徵檔案

五、R-CNN的適用場合

• 影象分類（image classification）
• 目標檢測（object detection）