目标检测之RCNN系列（一）RCNN_rcnn要求每个输入的候选框都需要缩放到固定的大小

主流的目标检测算法分为两个系列：RCNN系列和YOLO系列。
R-CNN，即Region-based Convolutional Neural Networks，是一种结合区域提名(Region Proposal) 和卷积神经网络(CNN)的目标检测方法。YOLO系列是将这两步结合，执行效率上更高效，几乎可以做到实时。

RCNN系列根据发展顺序分为：R-CNN、Fast R-CNN、Faster R-CNN


本文先介绍R-CNN，整体过程分为4个步骤：

a)selective search找出2000个候选框；
CNN对输入图片的大小是固定的，因此对于每个输入的候选框都需要缩放到固定的大小；
用IOU为2000个bounding box打标签，以便下一步CNN训练使用。IoU大于0.5，那么我们就把这个候选框标注成物体类别，否则我们就把它当做背景类别。

b)利用CNN提取特征向量，特征维度为4096；
网络架构我们有两个可选方案：第一选择经典的Alexnet；第二选择VGG16。
精度比较：Alexnet精度为58.5%，VGG16精度为66%。
计算量比较：VGG这个模型的特点是选择比较小的卷积核、选择较小的跨步，这个网络的精度高，不过计算量是Alexnet的7倍。
为了简单起见，我们就直接选用Alexnet，经过F7层输出4096维特征。

（1）预训练：目标检测的一个难点在于，物体标签训练数据少。需要先进行预训练把参数初始化了，然后再进行有监督的参数微调。
（2）继续对上面预训练的cnn模型进行fine-tuning训练。假设要检测的物体类别有N类，那么就需要把上面预训练阶段的CNN模型的最后一层给替换掉，替换成N+1个输出的神经元(加1是因为还有一个背景)，然后这一层直接采用参数随机初始化的方法，其它网络层的参数不变，继续SGD训练。SGD学习率选择0.001，在每次训练的时候，batch size大小选择128，其中32个是正样本、96个为负样本。

c)利用SVM进行特征向量分类。
选择合适的IOU确认正负样本。通过训练发现，选择IOU阈值为0.3效果最好（选择为0精度下降了4个百分点，选择0.5精度下降了5个百分点）,即当重叠度小于0.3的时候，我们就把它标注为负样本。
一旦CNN f7层特征被提取出来，那么我们将为每个物体训练一个svm分类器。当我们用CNN提取2000个候选框，可以得到20004096这样的特征向量矩阵，然后我们只需要把这样的一个矩阵与svm权值矩阵4096N点乘(N为分类类别数目，因为我们训练的N个svm，每个svm包好了4096个W)，就可以得到结果了。
20004096 . 4096N =2000N
得到2000N的矩阵，即2000个类别分别是否属于第N类。

d)训练boundingbox回归
边框回归（Bouding Box Regression）：是对RegionProposal进行纠正的线性回归算法，目的是为了让Region Proposal提取到的窗口与目标窗口（Ground Truth）更加吻合。