CVPR | 经典再现，全内容跟踪

今天给大家带来的是CVPR会议上一些经典网络的再现，希望可以给感兴趣的朋友带来一些帮助，也可以给大家带来一些经典的回顾，知识的巩固，谢谢！

R-CNN

看到这Paper，估计懂的人都熟悉透了，估计很多人不只看过一边，确实是经典之作，掀起了目标检测的巨幕。

R-CNN主要有两个见解：

1）CNN对分类已经非常成功；

2）监督的预训练去目标检测。

主要由三部分组成：

第一部分：区域候选

R-CNN采用的Selective Search方法。（个人感觉不是很好，复杂度太高，后期会和大家说如何提高候选BB的效率。）

第二部分：特征提取

R-CNN采用了AlexNet网络进行特征提取，最后获得了4096维特征表示。

第三部分：线性分类器SVM分类

★训练（通过IoU判别正负样本）

★Bounding Box的回归

通过迭代循环，使预测的BB无限接近GT。因为在预测过程中会出现很多BB，所以最后通过非极大值抑制（NMS）得到最后的BB，最后通过平均获得最后预测的BB。

★测试时间（效率也是大家普遍关注的问题）

从中可以看出，该方法远远达不到实时处理的效果，但是这给目标检测铺好了完美的垫脚石，为后期涌现出各种出类拔萃的Nets。

SPPnet

主要解决的问题就是R-CNN不同尺度的输入问题和效率问题。

通过空间金字塔池化层的转换，将不同尺度的输入都转换为相同维度的特征表示。

Fast R-CNN

从该进化过程可以看出，在不断的提高效率是最大的主线，现在开始也要提高精度。

这种方法大大提高了RP的效率，在最后的卷积层得到目标感兴趣区域映射，通过ROI Pooling得到目标的特征表示。

Faster R-CNN

通过不同尺寸和比例去获得BBs。通过网络自己的去得到。