实际上，更实用的方法是候选区域（Region Proposals ）方法来获取感兴趣的区域（ROI）。选择性搜索（Selective Search ）就是一种典型的候选区域方法
物体检测之选择性搜索(Selective Search)
选择性搜索算法用于为物体检测算法提供候选区域，它速度快，召回率高。
选择性搜索算法需要先使用《Efficient Graph-Based Image Segmentation》论文里的方法产生初始的分割区域，然后使用相似度计算方法合并一些小的区域。
下列两张图分别是原图和原始分割图：
我们不能使用原始分割图的区域作为候选区域，原因如下：
1.大部分物体在原始分割图里都被分成多个区域.
2.原始分割图无法体现物体之间的遮挡和包含。
如果我们试图通过进一步合并相邻的区域来解决第一个问题，我们最终会得到一个包含两个对象的分段区域。
我们不要需要完美的的分割区域，我们只想要和实际物体高度重合的区域就行了。
选择性搜索算法使用《Efficient Graph-Based Image Segmentation》论文里的方法产生初始的分割区域作为输入，通过下面的步骤进行合并：
1.首先将所有分隔区域的外框加到候选区域列表中。
2.基于相似度合并一些区域。
3.将合并的分隔区域作为一个整体,跳到步骤1。
通过不停的迭代，候选区域列表中的区域越来越大。可以说，我们通过自底向下的方法创建了越来越大的候选区域。表示效果如下：
相似度
选择性搜索算法如何计算两个区域的像素度的呢？
主要是通过以下四个方面：颜色、纹理、大小和形状交叠
最终的相似度是这四个值取不同的权重相加。
利用候选区域与CNN结合做目标定位
借鉴了滑动窗口思想，R-CNN采用对区域识别的文案
具体是：
1.给定一张输入图片，从图片中提取2000个类别独立的候选区域。
2.对于每个区域利用CNN抽取一个固定长度的特征向量。
3.在对每一个区域利用SVM镜像目标分类。
特征抽取
R-CNN抽取了一个4096维的特征向量，采用的是Alexnet。
需要注意的是Alextnet的输入图像大小是227*227
而通过Selective Search 产生的候选区域大小不一，为了与Alexnet兼容，R-CNN采用了非常暴力的手段，那就是无视候选区域的大小和形状，统一变换成227*227的尺寸。
有一个细节，在对区域进行变换的时候，首先对这些区域进行膨胀处理，再其box周围附加了p个像素，也就是人为添加了边框，p=16。
测试阶段的目标检测
在测试阶段，R-CNN 在每张图片上抽取近 2000 个候选区域。
然后将每个候选区域进行尺寸的修整变换，送进神经网络以读取特征，然后用 SVM 进行类别的识别，并产生分数。
候选区域有 2000 个，所以很多会进行重叠。
针对每个类，通过计算 IoU 指标，采取非极大性抑制，以最高分的区域为基础，剔除掉那些重叠位置的区域。
训练
R-CNN采取迁移学习
提取在 ILSVRC 2012 的模型和权重，然后在 VOC 上进行 fine-tune。
需要注意的是，这里ImageNet上训练的是模型识别物体类型的能力，而不是预测bbox位置的能力。
ImageNet 的训练当中需要预测 1000 个类别，而 R-CNN 在 VOC 上进行迁移学习时，神经网络只需要识别 21 个类别。这是 VOC 规定的 20 个类别加上背景这个类别。
R-CNN将候选区域与GroundTrue中的box标签相比较，如果IOU >0.5,说明两个对象重叠的位置比较多，于是就可以认为这个候选区域是positive,否则就是Negetive。
训练策略是：采用 SGD 训练，初始学习率为 0.001，mini-batch 大小为 128。
对象识别相关
通常对待一个二值化的分类器，它的结果只要 2 中，Positive 和 Negetive。
比如，有一个汽车分类器，它可以轻松地确认，一个方框里面包含了一辆汽车，那么它肯定就是 Positive。
也可以很清楚地确认，如果一个背景方框中没有包含汽车，那么它就是 Negetive。
但是，比较难确认的是，如果一个方框，只有一部分与汽车重叠，那么如何标注这个方框呢？
R-CNN 采用的是 IoU 的阈值，这个 threshold 取 0.3，如果一个区域与 Ground tureth 的 IoU 值低于设定的阈值，那么可以讲它看成是 Negetive.
IoU 的 threshold 它不是作者胡乱取值的，而是来自 {0,0.1,0.2,0.3,0.4,0.5} 的数值组合的。
而且，这个数值至关重要，如果 threshold 取值为 0.5,mAP 指标直接下降 5 个点，如果取值为 0，mAP 下降 4 个点。
一旦特征抽取成功，R-CNN 会用 SVM 去识别每个区域的类别，但这需要优化。
因为训练的数据太大，不可能一下子填充到电脑内存当中，R-CNN 作者采取了一种叫做 Hard negetive mining 的手段。
bbox回归
bbox 的值其实就是物体方框的位置，预测它就是回归为题，而不是分类问题。
受DPM的启发，作者训练了一个线性的回归模型，这个模型能够针对候选区域的pool5 数据预测一个新的box 位置。
回顾
1.R-CNN采用AlexNet
2.R-CNN采用Selective Search 技术生成Region Proposal
3.R-CNN 在 ImageNet 上先进行预训练，然后利用成熟的权重参数在 PASCAL VOC 数据集上进行 fine-tune
4.R-CNN 用 CNN 抽取特征，然后用一系列的的 SVM 做类别预测。
5.R-CNN 的 bbox 位置回归基于 DPM 的灵感，自己训练了一个线性回归模型。
R-CNN整个系统的流程图：
