RCNN 算法

• 解决的问题:

    1. 预先提取一系列较为可能是物体的候选区域；
    2. 训练深度网络进行特征提取：先在（ILSVC 2012）识别库上进行预训练，而后用（PASCAL VOC 2007）检测库调优参数，最后在检测库上测评；

• 流程:
      1. 通过select search从一张图片生成1K~2K个候选区；       2. 对于每个候选区，使用深度网络提取特征；
      3. 特征送入每一类的SVM分类器，判断是否属于该类别；
      4. 使用回归器精细修正候选框的位置。

• 

• 

• 

• 存在的问题:  

    1. 单张图片处理速度较慢，因为每张图片由ss算法产生的约2000的建议框都需要进行变形后由CNN前向网络计算一次特征，重复区域存在计算冗余；  
    2. 训练过程十分复杂；
    3. 针对传统CNN需要固定尺寸的输入图像，crop/warp产生物体截断或拉伸，会导致输入信息丢失；
    4. 多个候选区域对应的图像需要预先提取，占用较大的磁盘空间。