R-CNN

R-CNN

测试过程

这位博主写的真好，没有找到源头，这里地址也是转载的https://blog.csdn.net/weixin_41923961/article/details/80246244

Fast-RCNN

Fast R-CNN

ROI池化层解释

关于ROI池化层解释https://blog.csdn.net/gusui7202/article/details/80651416 1.将图片用选择搜索算法（selective search）得到2000个候选区域（region proposals）的坐标信息。

2.将整张图片归一化224*224输入到CNN ，整张图片送入CNN。

3.图片然后经过5层卷积操作后，得到一张特征图。（feature maps），利用开始得到的坐标（步骤1）通过一定的映射关系转换为对应特征图上的坐标，截取对应的候选区域。

4.每个候选区经过RoI pooling后提取到固定长度的特征向量如上图3*3的特征，送入全连接层。

5.然后分别经过为21和84维的全连接层（并列的，前者是分类输出，后者是回归输出）。一个为多个目标类生成softmax概率估计，而另一个为每个目标类生成4个实数值。这4个数字表示每个目标的边界框的位置。

优点不需要先分类再回归（R-CNN 中的步骤5和6）,将这两个任务合并 Fast R-CNN通过CNN直接获取整张图像的特征图，再使用RoI Pooling Layer在特征图上获取对应每个候选框的特征，避免了R-CNN中的对每个候选框串行进行卷积（耗时较长）

Faster R-CNN 取代selective search，直接通过一个网络学习【Region Proposal Network (RPN)】生成待检测区域。

挖掘可靠的proposal