R-CNN、Fast R-CNN、Faster R-CNN算法对比

  R-CNN、Fast R-CNN、Faster R-CNN算法都是基于Region Proposal(候选区域)的深度学习目标检测算法，是2-stage两阶段检测模型。
  Region Proposal就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口(几千个甚至几百个)的情况下保持较高的召回率(IoU)。
  边框回归(Bouding Box Regression)：对RegionProposal进行纠正的线性回归算法，目的是为了让Region Proposal提取到的窗口与目标窗口(Ground Truth)更加吻合。

  从R-CNN到Fast R-CNN，再到Faster R-CNN，目标检测的四个基本步骤（候选区域生成、特征提取、目标分类、边框回归）终于被统一到一个深度网络框架之内。

• R-CNN(Region-based Convolutional Neural Networks)
  步骤：1. SS提取RP;
     2. CNN提取特征；
     3. SVM分类；
     4. BB盒回归。
  优点：1. 从DPM HSC的34.3%直接提升到了66%(mAP)；
     2. 引入RP+CNN。
  缺点：1. 训练步骤繁琐(微调网络+训练SVM+训练bbox)；
     2. 训练、测试均速度慢；
     3. 训练占空间。
  
• Fast R-CNN (Fast Region-based Convolutional Neural Networks)
  步骤：1. SS提取RP；
     2. CNN提取特征；
     3. softmax分类；
     4. 多任务损失函数边框回归。
  优点：1. 由66.9%提升到70%；
     2. 每张图像耗时约为3s。
  缺点：1. 依旧用SS提取RP(耗时2-3s，特征提取耗时0.32s)；
     2. 无法满足实时应用，没有真正实现端到端训练测试；
     3. 利用了GPU，但是候选区域提取方法是在CPU上实现的。
  
• Faster R-CNN (Fast Region-based Convolutional Neural Networks)
  步骤：1. RPN提取RP；
     2. CNN提取特征；
     3. softmax分类；
     4. 多任务损失函数边框回归。
  优点：1. 提高了检测精度和速度；
     2. 真正实现端到端的目标检测框架；
     3. 生成建议框仅需约10ms。
  缺点：1. 还是无法达到实时检测目标；
     2. 获取region proposal，再对每个proposal分类计算量还是比较大。