关键词：Object Detection、Regional Proposal、R-CNN
Object Detection 与Regression的区别
每一张图片中的对象的数量是不一定的，可能有X个，那么输出就是 X * 4 个数字。
在机器学习中，分类和回归是解决所有问题的两种思路。所以Object Detection不是Regression，所以尝试下分类。
在图片中画出一个个的区域，然后输入到CNN的分类器中去进行识别就可以解决Object Detection的问题了。
问题是：怎么控制这个框画多大呢？
最直接的答案：不控制，随机尝试，画框后，把框中的数据输入到分类器中，进行分类。
也就引出另一个问题：如果使用CNN去画如此多数量的框（Localization）,然后去分辨框中事物的类别（Classification），计算成本太高？
Solution：缩小检索范围。
Region Proposals
方案描述：在图片中找到一些整体相似的结构，然后输出所有可能存在目标对象的区域，最后进行分类。运行的速度很快，因为它不关心框中是什么对象，只是有可能是一个对象，就框出来。
在Region Proposal中，Selective search是很有名的一个算法：
它从像素入手，将颜色或者纹理相近的像素进行合并，然后不断合并范围，然后在这个过程中，不断进行画框。减少了无意义的Localization。
Region Proposals算法排名
讲师说他一般使用EdgeBoxes，因为运算速度很快，一张图片，大概0.3s，Selective Search大概需要10s
R-CNN Region Based CNN
1. 用regional proposal的某个算法，从图片中画出N个可能包含对象的框
2. 把这些框裁剪成同样大小
3. 使用CNN进行特征学习
4. 使用SVM进行分类（如果目标只有一个类：猫，那么用一个二分类的SVM就可以，如果是多类，可以用多分类的SVM，或者对每一个目标，训练一个二分类的SVM）
5. 这里还有一个Bbox reg：其实是一个线性回归模型，主要是对裁剪出来的图片进行微调的，见训练步骤Step5.
R-CNN的实际训练步骤
具体可见下图，以下为个人语言描述：
1. 现在一个预训练好的分类模型（如，基于ImageNet的，因为它有1000个类别）
2. 将最后一个全连接层（分类器）删除掉，然后新增自己的FC层，进行初始化。
3. 将Regional Proposal框中的所有特征都存储起来（问题：太耗存储）
4. 对于这些存储好的特征，使用SVM进行训练（正例：是猫，反例：不是猫）
5. Regional Proposal截取的特征不一定是完美的，所以使用一个线性回归算法，对于第三步中存储的特征进行调整，使用“correction factor”使这些特征，更能凸显我们的训练目标。
注：PPT有一点问题，倒数第二章图片的标记错误
