原文鏈接：http://www.cnblogs.com/sandy-t/p/7208568.html
RCNN:
候選區(qū)生成(Selective Search)。
分割成2000左右的候選小區(qū)域
合并規(guī)則：顏色之众、紋理相近拙毫，尺度均勻，合并后形狀規(guī)則
特征提取棺禾。
歸一候選區(qū)尺寸為227×227缀蹄，歸一方法。
使用在imageNet上的分類網(wǎng)絡(luò)作為預(yù)訓(xùn)練網(wǎng)絡(luò)膘婶，預(yù)訓(xùn)練網(wǎng)絡(luò)輸出4096維特征
預(yù)訓(xùn)練網(wǎng)絡(luò)加上全連接層在分類數(shù)據(jù)集上預(yù)訓(xùn)練
每一類使用SVM分類器
對預(yù)訓(xùn)練網(wǎng)絡(luò)輸出的4096維特征缺前，使用多個SVM分類器進行判斷
對于負樣本過多的問題，使用hard negative mining悬襟，將重疊框小于閾值的作為負類衅码。
位置回歸
訓(xùn)練回歸器輸出x,y,d,h偏移量
fast RCNN
使用整張圖片傳入網(wǎng)絡(luò)提取特征
使用Selective search等方法得到候選區(qū)域，復(fù)用前面階段的網(wǎng)絡(luò)特征
對候選區(qū)使用Roi Pooling層規(guī)定尺寸圖像（全連接層需要相同大小的輸入）
輸入到兩個并行的全連接層中古胆，分別計算損失
例如：
對于輸入圖像：
候選區(qū)域：
最后一個卷積層：
放大
歸一尺寸的候選區(qū)域的特征：
和
faster RCNN
主要思想是使用最后一個卷積層來得到候選區(qū)域肆良，faster RCNN相當(dāng)于：候選區(qū)域生成網(wǎng)絡(luò)+fast RCNN。
特征提取網(wǎng)絡(luò)逸绎，VGG-16等惹恃。網(wǎng)絡(luò)輸出5139256維特征
使用3種面積，3種長寬總共9種候選窗口棺牧，稱為：anchor巫糙，如圖：
訓(xùn)練過程中有四種損失：
區(qū)域生成網(wǎng)絡(luò)的前后景分類損失（Object or not object）
區(qū)域生成網(wǎng)絡(luò)的區(qū)域位置損失（Bounding box proposal）
Fast RCNN物體分類損失（Normal object classification）
Fast RCNN區(qū)域位置損失（Improve previous Bounding box proposal）
訓(xùn)練方式：
輪流訓(xùn)練
近似聯(lián)合訓(xùn)練
聯(lián)合訓(xùn)練
整個結(jié)構(gòu)：
有些人，一輩子都沒有得到過自己想要的颊乘，因為他們總是半途而廢
