Region Proposal
可以解决滑动窗口的问题
候选区域（Region Proposal）
是预先找出图中目标可能出现的位置。它利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口(几千甚至几百）的情况下保持较高的召回率（Recall）。
RCNN（Regions with CNN features） 是将 CNN 方法应用到目标检测问题上的一个里程碑， 借助 CNN 良好的特征提取和分类性能， 通过 Region Proposal 方法实现目标检测问题的转化。
候选区域选择
Region Proposal 是一类传统的区域提取方法，可以看作不同宽高的滑动窗口， 通过窗口滑动获得潜在的目标图像， 关于Proposal 大家可以看下SelectiveSearch，一般Candidate 选项为 2k 个即可， 这里不再详述； 根据 Proposal 提取的目标图像进行归一化，作为 CNN 的标准输入。
CNN 特征提取
标准 CNN 过程，根据输入进行卷积/池化等操作，得到固定维度的输出
分类与边界回归
实际包含两个子步骤，一是对上一步的输出向量进行分类（需要根据特征训练分类器）；二是通过边界回归（bounding-box regression) 得到精确的目标区域，由于实际目标会产生多个子区域，旨在对完成分类的前景目标进行精确的定位与合并，避免多个检出。
提取特征相关步骤如下图
分为四个步骤：
- 输入测试图像
- 利用 selective search 算法在图像中从下到上提取 2000 个左右的 Region Proposal
- 将每个 Region Proposal 缩放（warp）成 227x227 的大小并输入到 CNN， 将 CNN 的 fc7层的输出作为特征
- 将每个 Region Proposal 提取到的 CNN 特征输入到 SVM 进行分类
RCNN 存在三个明显的问题：
(1) 训练分为多个阶段，步骤繁琐: 微调网络+训练 SVM+训练边框回归器
(2) 多个候选区域对应的图像需要预先提取， 训练耗时，占用磁盘空间大： 5000 张图像产生几百 G 的特征文件
(3)针对传统 CNN 需要固定尺寸的输入图像， crop/warp（归一化）产生物体截断或拉伸，会导致输入 CNN 的信息丢失；
(4)测试速度慢：每个候选区域需要运行整个前向 CNN 计算。 每一个 ProposalRegion 都需要进入 CNN 网络计算，上千个 Region 存在大量的范围重叠，重复的特征提取带来巨大的计算浪费。 使用 GPU, VGG16 模型处理一张图像需要 47s。
(5) SVM 和回归是事后操作：在 SVM 和回归过程中 CNN 特征没有被学习更新
步骤
- 对输⼊图像使⽤选择性搜索（selective search）来选取多个⾼质量的提议区域。这些提议区域通常是在多个尺度下选取的，并具有不同的形状和⼤小。每个提议区域将被标注类别和真实边界框。
- 选取⼀个预训练的卷积神经⽹络，并将其在输出层之前截断。将每个提议区域变形为⽹络需要的输⼊尺⼨，并通过前向计算输出抽取的提议区域特征。
- 将每个提议区域的特征连同其标注的类别作为⼀个样本，训练多个⽀持向量机对⽬标分类。其中每个⽀持向量机⽤来判断样本是否属于某⼀个类别。
- 将每个提议区域的特征连同其标注的边界框作为⼀个样本，训练线性回归模型来预测真实边界框。
