參考博文：https://blog.csdn.net/hjimce/article/details/50187029
R-CNN（Regions with CNN features）--2014年提出
算法流程
1.輸入一張圖片，通過selective search算法找出2000個可能包括檢測目標的region proposal（候選框）
2.采用CNN提取候選框中的圖片特征（AlexNet輸出特征向量維度為4096）
3.使用SVM對特征向量分類
4.bounding-box regression修正候選框位置
（一）候選框搜索
通過selective search算法可以搜索出2000個大小不同的矩形框，得到對應的坐標
遍歷候選框：
對候選框進行篩選，去掉重復的、太小的方框等，假設剩余1500個。截取剩余的方框對應的圖片，得到了1500張圖片
由於CNN對輸入圖片的大小有要求，需要對以上圖片進行縮放處理，方法有：各向異性縮放、各向同性縮放。縮放到CNN要求的大小
根據IOU對每一張圖片進行標注，如IOU>0.5標注為目標類別（正樣本），否則為背景類別（負樣本）
我的理解：每一張原始圖片都會生成1500個訓練樣本
（二）CNN提取特征
可選網絡結構：AlexNet，Vgg-16
預訓練：有監督預訓練
物體檢測的一個難點在於，物體標簽訓練數據少，如果要直接采用隨機初始化CNN參數的方法，那么目前的訓練數據量是遠遠不夠的。
這種情況下，最好的是采用某些方法，把參數初始化了，然后在進行有監督的參數微調，文獻采用的是有監督的預訓練。
有監督預訓練，我們也可以把它稱之為遷移學習。比如你已經有一大堆標注好的人臉年齡分類的圖片數據，訓練了一個CNN，
用於人臉的年齡識別。然后當你遇到新的項目任務是：人臉性別識別，那么這個時候你可以利用已經訓練好的年齡識別CNN模型，
去掉最后一層，然后其它的網絡層參數就直接復制過來，繼續進行訓練。這就是所謂的遷移學習，說的簡單一點就是把一個任務訓練好的參數，
拿到另外一個任務，作為神經網絡的初始參數值,這樣相比於你直接采用隨機初始化的方法，精度可以有很大的提高。
圖片分類標注好的訓練數據非常多，但是物體檢測的標注數據卻很少，如何用少量的標注數據，訓練高質量的模型，這就是文獻最大的特點，
這篇paper采用了遷移學習的思想。文獻就先用了ILSVRC2012這個訓練數據庫（這是一個圖片分類訓練數據庫），先進行網絡的圖片分類訓練。
這個數據庫有大量的標注數據，共包含了1000種類別物體，因此預訓練階段cnn模型的輸出是1000個神經元，
或者我們也直接可以采用Alexnet訓練好的模型參數。
fine-tuning
將最后一層的輸出層單元數修改為目標檢測的類別數+1,多出的一類為背景。輸出層參數采用隨機初始化，之前的參數不變。繼續對網絡進行訓練。
（三）訓練SVM
CNN最后的softmax層可以做分類，在論文中為什么要把softmax層換成SVM進行分類？
因為SVM和CNN分類時的正負樣本定義不同，導致CNN+softmax輸出比SVM精度要低。由於CNN容易過擬合，需要大量的訓練樣本，
所以CNN的樣本標注比較寬松，IOU>0.5即標記為正樣本。SVM適用於小樣本訓練，對樣本的IOU要求較高，在訓練時，IOU>0.7時標記為正樣本。
由於SVM是二分類器，因此對每一個類別都需要訓練一個SVM
（四）Bounding Box Regression--邊框回歸
任務描述：G為目標邊框（人為標注），P為網絡計算得到的邊框。邊框回歸的任務是計算從P到G^的映射f，使P經過映射以后得到與真實窗口G
更接近的G^
思路：平移+尺度縮放
輸入：（訓練時）CNN提取到的該邊框的特征+Ground Truth即G的坐標
（預測時）CNN提取到的該邊框的特征
輸出：需要進行的平移量和尺度縮放量，即P到G^的映射，包括4個值：Δx，Δy，Sw，Sh
通過計算得到新的回歸框