目标检测的发展

2014年，Ross Girshick等人提出R-CNN，首次利用CNN进行目标检测。

RCNN通过Selective Search算法进行region proposals，使用CNN对proposals提取特征，然后将提取的特征输入SVM进行分类，最后利用全连接网络进行边框回归（线性脊回归）。

图片要先经过Selective Search算法产生的proposals，然后在图片上截取proposals区域，对proposals区域Resize之后，将其输入CNN进行分类。

proposals区域会有大量重叠的部分，所以在对proposals提取特征时会对重叠部分反复提取特征。此外，对proposals区域进行Resize会导致图片变形，不利于提取特征。

再有，RCNN不能端到端训练，训练过程非常麻烦，首先要对预训练的CNN模型进行微调，然后去掉CNN的fc7层做特征提取器。经过SS算法提取proposals之后，使用特征提取器fc6 layer的输出训练SVM分类器，在这个过程中保存Pool5的结果，最后用Pool5的结果训练边框回归器。

2015年，Kaiming He等人提出了SPP Net，其主要改进是不需要对proposals区域重复提取特征，只需要将整个图片输入进CNN提取一次特征即可。

此时输入检测网络的并不是按照proposals在原图上截取的图片，而是把整张原图输入检测网络提取feature map。原来通过proposals在原图上截取图片此时变成了通过proposals在feature map上截取region-wise feature map。

要解决的问题是proposals如何映射到feature map上，以及不同大小的region-wise feature map如何通过全连接层进行分类。

SPP Net提出了将proposals映射到feature map的公式，然后通过在全连接层前面添加SPP(Spatial Pyramid Pooling) layer来将region-wise feature map映射到固定的维度。

但是，SPP Net仍然没有解决目标检测算法不能端到端训练的缺点。

同年，Ross Girshick提出fast RCNN，fast RCNN借鉴SPP Net 使用RoI Pooling 将不同尺寸的region-wise feature map映射成固定维度的输出，同时，将使用SVM进行分类该成使用softmax层进行分类，最后，将边框回归集成到CNN中，添加一个与cls layer同级的reg layer 进行边框回归，实现多任务学习。

经过这一系列的改进，fast RCNN的训练过程大幅度简化，并且速度大幅度加快。

遗憾的是，fast RCNN仍然使用Selective Search进行region proposals，Selective Search的存在占用了大量的时间，并且导致fast RCNN仍然不能端到端的训练。

还是在2015年，Kaiming He 和 Ross Girshick 等人提出了faster RCNN，将region proposals算法由Selective Search改为RPN，RPN是一个全连接网络，可以在与fast RCNN共享卷积层的前提下加快region proposals时间，并与fast RCNN一起进行端到端训练。

经过faster RCNN的改进，目标检测的所有阶段已经全都可以使用GPU进行训练。