最近在面试腾讯优图的实习生，需要复习一下常用的目标检测的模型，于是准备写一些博客，梳理一下思路。

  R-CNN是目标检测的领域我接触到的第一个网络，其地位在业界也是很重要的。

  R-CNN主要分四步：

  1.输入图片 2.用某种方法在图片上标记出2000个目标候选框 3.将这些目标候选框调整大小后送入CNN网络中提取特征 4.用SVM分类器进行分类和bbox回归

  下面开始逐一介绍

  第一步，输入图片，这个没有什么可以说的，注意在输入图片时要减去像素平均值，有两种减去像素平均值的方法，选择AlexNet的那一种。

  第二步，在图像上选择出2000个感兴趣的区域，这里不是随机选择，而是有方法的去进行选择，这里不细说了，可以参考selective search的方法。选取完之后将这2000个区域送入CNN网络中进行训练。这里论文中提到了因为AlexNet网络中有全连接层，所以必须对这些区域大小调整到一个定值，文中是先放大区域，再进行缩放，放大区域是为了将区域扩大一下，可以将周围的背景也吸收到区域中。

  第三步，将这些目标候选框调整大小后送入fine-tune的AlexNet网络中去训练，提取特征。论文中在这里介绍了一些细节。首先是使用AlexNet做预训练网络。论文中指出，因为用来做目标检测的标记图片很少，所以使用预训练模型来解决由于训练集过少造成的过拟合现象。然后是对模型进行fine-tune，就是改一下softmax层，改成需要检测的种类+1（背景），其余不变，训练时采用的batch_size是128，32个正样本（N类）和96的负样本。

正样本是和Ground-truth重合IOU>0.5的样本，负样本是IOU<0.5的样本

  第四步是用SVM进行分类和bbox的回归，首先是在AlexNet网络的FC7层的特征上训练线性SVM分类器，每一个类别对应一个SVM分类器，正样本是所有Groundtruth区域，负样本是Groundtruth重合IOU<0.3的选择区域（这里的0.3是实验数据，论文中作者说试了0.5，0.4，0.2之类的值，发现0.3是最好的）

  然后就是bbox回归。网上有不少介绍R-CNN的文章，但是在这里是怎么进行回归的基本上都是避开不谈，我的理解是这样的，论文中介绍是在提取第五层卷积层上的特征进行回归用，即在Conv5特征上训练Bounding box回归，每个类别训练一个回归模型，目的是通过训练，找到一个矩阵，使得选择区域提供的bbox可以正确映射到groundtruth上。

  测试和训练的过程差不多

致谢小象学院的ppt

以上为我对rcnn的总结