在上一篇寫給小白的YOLO介紹中，我介紹了目標檢測的任務類型和YOLO的基本方法。

實際上，R-CNN是比YOLO更早的方法，但是因為它對后面的許多目標檢測方法都有指導意義，所以我們還是介紹一下。

下面是R-CNN論文的國內鏡像：

Rich feature hierarchies for accurate object detection and semantic segmentation?xxx.itp.ac.cn

---

盡管R-CNN在當年有劃時代的意義，它的思想也影響到了后面算法的設計，但是仍有一些處理方式在今天看來不夠成熟，或者干脆說比較奇怪。在這里我們就避開不重要的部分，重點介紹一些有意思的技巧。

R-CNN的劃時代意義其實也是因為它正好站在深度學習剛剛復蘇的風口上，使得它站在了巨人的肩膀上。

看論文的名字也能看出，R-CNN既可以做目標檢測也可以做語義分割，這里我們主要介紹用于目標檢測的方法，但是有些技巧其實是相通的。

整個R-CNN的流程是這樣的：

我們說過，R-CNN使用了一個叫做selective search的算法搜索Region Proposal，因此它也被稱為是Region-based的方法。先來介紹一下這個selective search算法。

首先，我們之前說，理論上滑窗法是可以解決目標檢測的一切問題的，但是其成本不可能達到，因此想出了各種各樣的辦法優化這個過程。因此Region的設計目標是，恰好包含一個物體。

論文在這里：

Selective Search for Object Recognition?202.119.32.195

在這之前我再啰嗦一句，在現在的Region-based方法中，selective search這么naive的算法幾乎不會再被用到了，但是我們還是應該學習一下，已經后面的深度學習方法想學也學不明白了，這種白箱模型雖然簡單，但是能看到具體每一個細節的感覺還是挺好的。

Selective Search

Selective Search借鑒了在它之前的兩種圖片分割思想，一種是用滑窗的窮舉分割exhaustive search，一種是基于圖的圖像分割Efficient Graph-Based Image Segmentation（這個圖是離散數學中的graph，不是我們說的圖片）。

這兩種方法各有各的缺點，窮舉分割太浪費時間了；而基于圖的圖像分割得到的是小塊的Region，沒辦法識別大的物體，或者我們得到比較大的快，又沒辦法識別小的物體了，總之，基于圖的圖像分割總是不能兼顧物體的大小。

我們重新捋一下，滑窗窮舉可以選擇不同的窗口大小，使用不同的步長，得到理論上所有的Region，但是這里的Region很多都是毫無用處的。Graph-Based Image Segmentation只能得到同樣尺度的Region，但是因為它背后有計算機圖形學和圖論的基礎，可以選出一些看起來含有物體可能性比較大的Region。

能不能將上面的兩種方法合二為一，形成一種既準確又全面的圖像分割方法呢？

Selective Search的核心思想就在這個，它將Exhaustive Search和Graph-Based Image Segmentation結合起來，形成了一種數據驅動的方法。

其實Selective Search算法還算比較簡單，它的想法是通過合成把小塊的Region分廠更大塊的Region，直到所有的Region都被合成為了整張圖片，最后輸出所有出現過的Region。

也就是說，一開始的塊都是很小的，然后我們將其中兩個合成，然后再合成，不停的合成下去，直到全部都合成為一個塊。算法的輸出是合成過程中出現的所有塊，這既包括我們最開始的很小的塊，也包括后面合成得到的比較大的塊。

現在還有兩個疑問：最開始的小塊是怎么來的？怎么判斷兩個小塊應不應該合稱為更大的塊？

上面的算法也說明了，最開始的小塊是根據[13]，額，就是我們前面說的Efficient Graph-Based Image Segmentation得到的，這個我們就不細講了。

至于怎么判斷哪兩個塊應該合并，算法中說的是應該將圖中相似度最大的兩個塊合并。這個相似度是人為設計的特征，透露著濃濃的上世紀計算機視覺的氣息，論文中給出了四種相似度，額，看看就好呢。

顏色相似度：

材質相似度：

優先合并小區域：

區域的合適度距離：

最后把這四個相似度結合起來：

嗯，Selective Search的最重要的思想就是從小塊開始，然后逐漸合并得到新的Region。也正是Selective Search這種從小到大不斷合并的方法，讓R-CNN可以識別出多級特征。

---

其實，解決完Region的選擇問題后，R-CNN就沒有什么特別值得我們注意的地方了，畢竟比較古老了。

還有一些小細節倒是值得一提。

比如Selective Search得到的Region很可能是在一定程度上重合，它們會重復的預測同一個物體，這時我們用非極大值抑制NMS解決這個問題。

Region也可能只覆蓋了物體的一小部分，我們通過計算Region和物體的IOU，設計一個閾值，當IOU小于這個閾值就把這個Region排除。

還有就是原始的Region作為分割圖片的框框是夠用了，但是具體預測出真正的物體的位置，往往還是不夠精確的，這之后我們可以根據經過極大值抑制后的Region作為輸入值，訓練一個線性模型，結合整個圖片信息，回歸出更精準的物體位置。這個主意是從更古老的DPM哪里借鑒過來的。

在網絡訓練的時候，R-CNN采用遷移學習的方法，往往是在大量的圖片分類數據集上預訓練，因為圖片分類的標注成本要遠小于目標檢測的標注成本。然后將預訓練的模型放到目標檢測的數據集上訓練，并fine-tuning。

在論文中作者們是用SVM進行圖片分類的，但是我感覺用神經網絡的softmax輸出可能會更好，這應該是歷史遺留問題。

細節上可能還有更多，但是我決定不一一展開了，這種模型我們只要領會其中的核心思想就夠了。

總結

以上是生活随笔為你收集整理的和cnn结合_写给小白的R-CNN介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。