01 传统图像识别方法
传统的图像识别算法解决目标检测问题时，主要分为4个步骤：
（1）在图片上选出所有物体可能出现的区域框，可以是滑动窗口等穷举法。
（2）对（1）步找到的区域卡进行特征提取。
（3）对（2）步提取出来的特征进行分类
（4）通过非极大值一直（Non-maximum suppression）提取结果
其中：
可以对穷举法进行一些改进，使用selective search进行启发式的搜索来发现可能出现图像的区域；
由于CNN对于特征提取的有效性，可以通过CNN来实现步骤（2）；
特征提取后，再使用支持向量机SVM进行分类；
最后还是靠非极大值抑制方法来输出结果。
CNN要求所有输入图像的分辨率大小相同，所以需要对于每个区域的图片进行缩放，让他们以同样大小输入CNN中以进行特征提取。
02 RCNN算法
将上述思路进行整理，以CNN的视角重新排列，具体内容如下：
（1）在数据集上训练CNN
（2）在目标检测的数据集上，对训练好的CNN进行微调
（3）用Selective Search搜索候选区域，统一使用微调后的CNN对这些区域提取特征，并将结果存储起来
（4）用存储下来的特征来训练支持向量机
尽管步骤是照搬的传统算法，但是因为CNN强大的能力，这种改进后的算法比传统算法的精确度有显著的提升。这种算法称为区域CNN算法，简称R-CNN
03 第一次改进：空间金字塔池化卷积网络
针对上面的RCNN算法，要做到图像缩放同一大小很繁琐，因此可以在网络上进行改进。
可以使用空间金字塔池化层（Spatial Pyramid Pooling，SPP）来解决这个问题，这种基于空间金字塔池化层的网络被称为SPPNet。（何凯明 《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》）
SPPNet中实现分辨率无关的层称为ROI池化层，它的输入是任意大小的卷积，输出是固定维数的向量。
使用了ROI池化层后，可以先对图像进行一遍卷积运算，得到整个图像的卷积特征。
然后，对于原始图像中的各种候选框，只需要在卷积特征中找到对应的位置框，再使用ROI池化层对位置框中的卷积提取特征，就可以完成特征提取工作。
经过改进后，对于区域框中的图像不再需要缩放
04 第二次改进：不使用支持向量机
在分类过程中，使用深度网络替换传统机器学习支持向量机，这种网络被称为Fast RCNN网络（快速区域卷积网络）。（Ross Girshock 《Fast Region-based Convolutional Network》）
在实际应用中，有两点需要注意：
- 一是分类的类别数，不是N，而是N+1类，多出来的那一类是全背景无物体
- 二是除了分类以外，还需要提供一个做校准的数据，即“框回归”
Fast RCNN使用的VGGNet-16来进行分类。
比起SPPNet，Fast RCNN训练VGG-16的速度提升了3配，测试速度提升了10倍，准确率也有所提升
05 第三次提案网络
经过两次改进，没有缩放需求，分类也变为全连接网络来做，现在唯一传统技术残留就是Selective Search技术。使用神经网络替代它，这样的神经网络就是区域提案网络。
最终，可以使用区域提案网络+卷积神经网络+空间金字塔池化卷积网络这3种网络组成的全神经网络，成功地解决了在一张大图片上识别物体的问题。这种网络结构称为Faster RCNN（更快区域卷积网络）
使用残差网络替代VGGNet（《Faster R-CNN Towards Real-Time Object Detection with Region Proposal Networks》）
|