论文题目：《Rich feature hierarchies for accurate object detection and semantic segmentation
》
论文地址：R-CNN
1. 概述
R-CNN是two-stage目标检测算法的开篇之作，也是将深度学习引入目标检测的开山之作。
如上图所示，R-CNN算法大致可以分为4个步骤：
1）使用selective Search算法在图像中确定约2000个候选区域（region proposal）。
2）对于每个候选框内图像块，使用CNN提取特征（在送入CNN之前需要将所有候选框裁剪到相同大小（227*227），因为FC层需要固定输入图像的尺寸）。
3）对于候选框中提取出的特征，使用SVM判别是否属于某一特定类。
4）使用回归器精细修正候选框的位置。
2. 候选区域（region proposal）
2.1. 选取候选区域
R-CNN使用了Selective Search算法从一张图像上生成约2000个候选区域。Selective Search算法流程如下：
step1：生成原始分割区域R=｛r1，r2，…，rn｝
step2：初始化相似度集合S=｛｝
step3：计算两两相邻区域之间的相似度，将其添加到相似度集合S中。
while S ≠ ｛｝
step4：从相似度集合S中找出相似度最大的两个区域ri和rj，将其合并成为一个区域rt，并将其添加到R中。
step5：从相似度集合S中除去原先与ri和rj相邻区域之间计算的相似度。
step6：重新计算rt与其相邻区域（原先与ri或rj相邻的区域）的相似度，将其结果添加到相似度集合S中。
-区域相似度主要是考虑颜色、纹理、尺寸和交叠四个方面。
2.2. 缩放候选区域
因为CNN的全连接层对输入图像的大小有限制，所以在将候选区域输入CNN之前，要将候选区域进行固定尺寸（227*227）的缩放。缩放分为两大类（该部分在原文附录A）：
- 各向同性缩放（长宽放缩相同的倍数）：
考虑到图片扭曲会对分类精度有影响，提出各向同性缩放，有如下两种方式：
1） 将region proposal的边界向外延伸，使图片成正方形，然后裁剪。如果延伸到原来图片的外界，则用region proposal中的颜色补齐。图（B）
2）先将region proposal中的图片裁剪出来，然后用固定的背景颜色填充成正方形（背景颜色是region proposal的像素颜色均值）。图（C） - 各向异性缩放（长宽放缩的倍数不同）：
不管图片长宽比例，不管是否扭曲，只管缩放到cnn要求的比例（227*227）。图（D）
在放缩之前，作者考虑，在region proposal周围补额外的原始图片像素（pad p）。上图中，第一层p=0，第二层p=16。最后试验发现，采用各向异性缩放并且p=16的时候效果最好。
3. 特征提取
采用AlexNet进行对每个候选区域提取4096维的特征向量，即把一个227×227大小的图像，通过五个卷积层和两个全连接层进行前向传播，最终得到一个4096维的特征向量。为了计算候选区域的特征，我们首先要对图像进行转换，使得它符合CNN的输入（架构中的CNN只能接受固定大小：277×277）。这个变换有很多办法，我们使用了最简单的一种。无论候选区域是什么尺寸和宽高比，我们都把候选框变形成想要的尺寸。具体的，变形之前，我们现在候选框周围加上16的padding,再进行各向异性缩放。
4. 测试
5. 训练
缺点
1）计算量大：每个候选区域都需要通过CNN计算特征。
2）质量不够好：Selective Search提取的区域质量不够好。
3）训练耗时长：特征提取，SVM分类器是分模块独立训练，没有联合起来系统性优化。