1. RCNN的模型（如下图）描述:

             RCNN相比传统的物体检测，还是引入传统的物体检测的基本流程，先找出候选目标物体，逐个的提取特征，不过rbg大神引入了当时炙手可热的CNN卷积网络取代传统上的HOG，DPM,LBP,SIFT等算法来对图像的特征进行提取，值得说道的是CNN由于可以放到GPU上，所以也大幅度的减少了了物体检测需要的时间，然后在使用svm/softmax分类器进行分类识别.

2. RCNN模型的三个组成部分：

     1.  先使用ILSVRC2012数据集训练一个1000类的分类器模型，并将这个模型保存下来.

     2.  加载１步骤中的模型，使用这个模型中特征提取参数来初始化我们这里的CNN中的参数，并使用那些经过变形的区域目标来训练模型,这里获取到的区域目标指的是

和经过SS算法提取到的区域目标和我们标注的目标区域的IOU【两张图片的交集/两张图片的并集】>0.5时，我们将这个SS算法提取的区域目标作为我们标注的类（及该类的正样本）进行训练，否则作为负样本进行训练，并且值得注意的是对于每一个SGD(随机梯度)迭代，我们使用一个128的小批次，其中使用32个当前类的样本，和９６个背景样本作为负样本。

　3. 训练二分类目标分类器，作者列举检测车的例子，“对于那种沿着车边缘分割出的车的区域，我们可以很清楚的知道这是一个正样本，而对于那种不包含任何车信息的区域，我们也容易直到这是一个负样本，但是对于那种包含了部分车的区域，我们切没有明确的界限来定义”，这里作者经过一系列的实验【０，0.1,0.2,0.3,0.4,0.5】,当为0.5时，MAP(平均ＡＰＡ)会下降５％,当为０时，会下降４％，只有当SS算法分割出的区域和我们打样本时标注的区域的IOU大于0.3时，我们的MAP最高.对于每一个类，候选的正样本使用ground-truth bounding boexs来定义，也就是大于IOU大于0.7认为是正样本，小于0.3认为是负样本，鉴于0.3~0.7之间的丢掉不用来训练.而且对每一个类使用线性SVM进行分类，但是因为训练数据有时会非常大，为了不爆内存，作者使用了[背景bg/前景fg(即样本)]＝3：１的比例进行.

2.1 关于图片的转换(warp)：

图片在经过CNN卷积网络需要将图片统一成固定大小，论文中给出了三种方法的对比Ａ为原始图片

一方法：　在原始区域目标周围去一块区域进行等比缩放到CNN需要的图片大小,结果图Ｂ

二方法：　去除原始目标区域然后对目标区域进行填充，在等比缩放到CNN需要的图片大小，结果Ｃ

三方法：　直接将原始目标区域非等比缩放到CNN需要的图片大小，图Ｄ

3. 预测目标区域：

　　在测试时，我们使用ss算法在每一张测试图片上提取大约2000个区域目标,对每一个区域目标
进行变形放入到CNN提取特征向量.然后对每一个类，我们使用对这个训练好的SVM来对每一个区域目标打分.
对一张图片中的所有打分的区域目标，我们使用一种非极大值抑制算法（NMS）来去掉两个区域目标中交集/并集大于阈值时，区中评分较低的那个区域.

4. 所以在训练的过程中也需要进行分步骤训练：

    1. 对CNN网络进行微调.

　　　 先使用ILSVRC2012数据集训练一个1000类的分类器模型，然后使用该模型来初始化我们的CNN模型参数，使用我们的train和val数据集合进行微调.

　2. 对每一个样本进行线性SVM分类模型训练.

          来自于验证集(val)和训练集(train)中的所有目标区域被充当对应类的正样本，而每一个的负样本使用的是随机取自验证集val

    3. 边框回归训练

　　边框回归使用的也是val集合

５.  Positive vs. Negative examples and softmax

        关于正负样本选取，在CNN训练阶段和SVM阶段为什么或出现阈值不同[0.5和０.3],经过作者多次测试后得到的结果.至于为什么使用SVM而不是用softmax进行分类.

作者说如果使用softmax进行分类mAP会从54.2%掉到50.9%,作者给出的是sofxmax在取任意的样本的负样本，也就是是所有的负样本共享，而SVM是只专门取对应类的负样本.

6．边框回归 具体步骤：

　　　6.1 当使用SVM分类器对SS提供的候选区域目标[经过筛选后的]进行打分之后，模型会使用一个边框回归器会对这区域给出一个预测的区域坐标【我们称之为bounding box】，并在经过CNN提取的特征图上进行回归.

         6.2 具体流程如下：

　　　　6.2.1 输入Ｎ（我们的类别为N）　对｛Ｐ^ｉ,Gⁱ｝ _i=1,....,N   其中Ｐ是预测区域，Ｇ为我们标注的区域　且Ｐ={Pⁱ_x,Pⁱ_y,Pⁱ_w,Pⁱ_h}表示的（x,y,w,h）分别是x,y坐标ｗ,h宽高

　　　　Ｇ和Ｐ拥有同样的结构，我们的目的是学习一种变换能够将预测的Ｐ映射到实际的Ｇ上.

            四个参数使用四个函数来表示dx(P),dy(P),dw(p),dh(p),其中前两个使用x,y平移变换,w,h做缩放变换

－－－－－－－－－－－－－－－－－－－－－－－－－－推导部分－－－－－－－－－－－－－－－－－－－－－－－－－－ 

读RCNN论文笔记