简介
近期发现之前很多目标检测的论文都只是粗略的读了一遍，只把关键点过了一遍，现打算把论文再拿出来多读几遍，把论文中的一些思路和细节总结一遍。
首先从RCNN说起吧。
主要步骤
RCNN算法分为4个步骤
候选区域生成： 一张图像生成1K~2K个候选区域 （采用Selective Search 方法）
特征提取： 对每个候选区域，使用深度卷积网络提取特征 （CNN）
类别判断： 特征送入每一类的SVM 分类器，判别是否属于该类
位置精修： 使用回归器精细修正候选框位置
要点
1. Region Proposal 候选区位置选择
论文中提到了几种经典的方法， objectness, selective search, category-independent object proposals, constrained parametric min-cuts(CPMC), multi-scale combinatorial group 。
最后文章中采用了 selective search 的方法。由于现在这些方法基本都被 Region Proposal Network 取代了，所以暂时不做进一步调研。
2. CNN 特征提取
在这篇文章之前也有一些文章尝试使用 CNN 来提取特征用于检测任务， 如overfeat.
其他细节和分析
1. Visualizing learned features
第一层： capture oriented edges and opponent layers.
使用一个简单的非参数方法，将10 million个proposals根据单个单元的activations 进行排序，并采用非极大抑制，然后将期中top 16的proposal和acitvation 可视化出来进行观察。
结论: 网络学习到的表达是 class-tuned features togather with a distributed represenataion of shape, texture, color and material properties.
2. Ablation(消除) studies
performance layer by layer, without fine-tuning
直接使用pretrained model 在 PASCAL VOC 上提特征，并用于SVM的训练。
发现： 直接使用卷积层的特征比加上最后两层连接层的效果要好，尽管卷积层只占了6%的参数。这 告诉我们卷积层学到的图像特征更加general.
performance layer by layer with fine-tuning
- 提升很大
- fc6,7 层比pool5变化大，说明pool features 更加general.
- 进行fine-tuning之后最大的提升是来自于顶层，而非底层的特征提取器。
Ref:
- Rich feature hierarchies for accurate object detection adn semantic segmantaion.
- RCNN- 将CNN引入目标检测的开山之作。晓雷