虽然RCNN使用了selectivesearch等预处理步骤来提取潜在的boundingbox作为输入，但是计算机对所有region进行特征提取时会有重复计算，Fast-RCNN正是为了解决这个问题诞生的

faster-rcnn和fast-rcnn的区别。也问了YOLO和SSD。还问了12年到现在比较流行的网络框架。

感谢小嫚和小强在前面的出色铺垫,他们介绍了基于region-proposal（/prə'pəʊz(ə)l/）的4种经典强监督目标检测网络(R-CNN,SPP-Net,Fast-RCNN,Faster-RCNN

RCNN(论文：Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation)是将CNN方法引入目标检测领域，大大提高了目标检测效果，可以说改变了目标检测领域的主要研究思路，（RCNN）,FastRCNN,FasterRCNN代表该领域当前最高水准。RCNNhttps://github.com/rbgirshick/

image该文是目标检测领域的里程碑论文，是fast-rcnn、faster-rcnn等系列的基础。它首次用深度学习CNN的方式进行目标检测的尝试。取得了性能、准确度均大幅高于传统提取特征方式的结果。

综述_部分内容借鉴目标检测中的RNN家族与基于深度学习的回归方法RNN家族采用selectivesearch+CNN+SVM的RCNN模型提取候选框：使用selectivesearch方法，这是一种传统的候选框提取算法，根据图像的颜色纹理色差提取出大约两千个proposal（候选框），注意这些候选框是可以重叠的。selectivesearch方法提取的候选框selectivesearch提取候选框

介绍当前主流的CNN目标检测框架可分为两类：包含Regionproposals提取阶段的两阶段目标检测框架如R-CNN系列像R-CNN/Fast-RCNN/Faster-FCNN/R-FCN等；端到端的单阶段目标检测框架如

ContentsNMS（Non-MaxSuppression）IoU的计算NMS的步骤NMS代码实现（来自Fast-RCNN）WBC（WeightedBoxClustering）WBC的计算WBC的代码实现

我决定逐步亲自动手一行行写一下：[x]MNIST手写模型;[x]MNIST多层感知机(前馈神经网络,2层);[x]MNIST卷积网络(2层);[]cifar-10卷积网络(2层);[]word2vec;[]循环神经网络;[]fast-RCNN

TowardsReal-TimeObjectDetectionwithRegionProposalNetworks》算法主要解决两个问题：1、提出区域建议网络RPN，快速生成候选区域；2、通过交替训练，使RPN和Fast-RCNN

在前面的章节中，我们已经介绍了RCNN了，可以很明显的看到RCNN是一种基于多方法联合使用的策略。这种方法最大的缺点就是可控性较差。一旦有一个环节没有处理好就影响最终的结果。比如说：selectsearch方法如果处理不好，后面的基本不用再搞了，而且，这也是算法最耗时的部分CNN需要对每个候选框做扩展，然后送入到神经网络中，这极大的限制了CNN对原始数据的利用SVM分类虽然可以做到较好的分类，同时

这一系列主要包括RCNN，fast-RCNN和faster-RCNN模型的理解。 本文已同步至订阅号：麻瓜智能，欢迎订阅。 本文主要参考文献：Girshick,R.,etal."

摘要最先进的目标检测网络依靠区域提出算法来假设目标的位置。SPPnet[1]和FastR-CNN[2]等研究已经减少了这些检测网络的运行时间，使得区域提出计算成为一个瓶颈。在这项工作中，我们引入了一个区域提出网络（RPN），该网络与检测网络共享全图像的卷积特征，从而使近乎零成本的区域提出成为可能。RPN是一个全卷积网络，可以同时在每个位置预测目标边界和目标分数。RPN经过端到端的训练，可以生成高质

安装和测试一、简介商汤科技（2018COCO目标检测挑战赛冠军）和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN

传统算法的典型代表有：Haar特征+Adaboost算法Hog特征+Svm算法DPM算法深度学习的目标检测典型代表有：RCNN系列，RCNN，spp-net，fast-rcnn，fas

作者专栏：http://dwz.cn/7ZGrifYOLOv1这是继RCNN，fast-RCNN和faster-RCNN之后，RossGirshick针对DL目标检测速度问题提出的另外一种框架。

mmdetection是商汤科技（2018COCO目标检测挑战赛冠军）和香港中文大学开源的一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN

在目标检测领域方向的相关经典文献包括Fast-RCNN、Faster-RCNN、SSD、YOLO以及RetinaNet等。

CAFFE玩了也有段时间了，现在开始准备研究一下物体检测，现在知道的有RCNN、spp-net、Fast-RCNN和Faster-RCNN，作为菜鸟我还是从头学习，决定先看RCNN，因为有项目要做还要上课

2R-CNN、Fast-rcnn、Faster-rcnn、Mask-rcnn的区别是什么？3RoIPooling和RoIAlign的区别是什么？

yolo学习系列（八）：参考资源0关注博主xiao__runsum_nap1入门准备1.1目标检测算法R-CNN、fast-RCNN、faster-RCNN到yolo、SSD简要1.2NVIDIA初学JetsonTX2

相关知识：（部分图片来自目标检测之RCNN，SPP-NET，Fast-RCNN，Faster-RCNN）1、R-CNNR-CNN网络其实就是一个分类器，对提取到的候选区域（regionproposal）

新版的TensorFlow在models的objection-detection模块中包含了fast-rcnn、rf

最近由于研究方向的更换，接触到了目标检测（ObjectDetection）领域，觉得很有意思，并且阅读了该方向的相关经典文献，包括Fast-RCNN、Faster-RCNN、SSD、YOLO以及RetinaNet

FastR-CNNICCV2015https://github.com/rbgirshick/fast-rcnn本文在目标检测中起到一个承上启下的作用，从R-CNN经由FastR-CNN过渡到完美的FasterR-CNN

原文地址：http://blog.csdn.net/qq_17448289/article/details/52871461一、基于RegionProposal（候选区域）的深度学习目标检测算法RegionProposal（候选区域），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，Intersec

关于tf.image.crop_and_resize的使用最近在学习fast-RCNN,在写ROIPooling层看到说可以直接利用tf.image.crop_and_resize。

其后改进的fast-RCNN系列在速度上做了提升，基本流程是先通过C

博客搬家，新博客地址：https://imlogm.github.io/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/rcnn/摘要：物体检测（objectdetection）是计算机视觉非常重要的一个领域。在深度学习出现之前，传统方法始终无法处理好物体检测问题，在深度学习方法引入之后，物体检测领域发生了翻天覆地的变化。最著名的是RCNN系列，另外还有YOLO、SSD。

后续出现了SPPnet,Fast-RCNN,Faster-RCNN等一些列改进。最终实现了端对端学习，同时带来速度与精度的提升。今天我们来大概看下基于R-CNN改进后的第一个版本SPPNet。

一、研究意义卷积神经网络（CNN）由于其强大的特征提取能力，近年来被广泛用于计算机视觉领域。1998年YannLeCun等提出的LeNet-5网络结构，该结构使得卷积神经网络可以端到端的训练，并应用于文档识别。LeNet-5结构是CNN最经典的网络结构，而后发展的卷积神经网络结构都是由此版本衍生而来。在过去六年中，由于深度学习和卷积网络的发展和进步，基于图像的目标检测和分类能力已经大大提高。而目标

2018-05-291.rcnn/fast-rcnn/faster-rcnn主要思想：候选窗+深度学习分类。通过提取候选区域，并对相应区域进行以深度学习方法为主的分类方案。

作者专栏：http://dwz.cn/7ZGrifYOLOv1这是继RCNN，fast-RCNN和faster-RCNN之后，RossGirshick针对DL目标检测速度问题提出的另外一种框架。

blog.csdn.net/shenxiaolu1984/article/details/51036677再次感谢@shenxiaolu1984，写了一系列关于目标检测深度学习模型的优秀博文，本文主要参考fast-rcnn

CNN,只分类RCNN,分类加标框FAST-RCNN,快速分类加标框FASTER-RCNN,更快地分类加标框MASK-RCNN分类标框加上像素级别分割另外网上已经有很多这系列的博文了，帮了我不少忙，但有些不乏没有说清楚或者是错误的内容

fast-rｃｎｎ,通过ｓｅｌｅｃｔｉｖｅsearch选择２ｋ个候选

R-CNN非常缓慢，因为通过Selectivesearch得到的2000个目标区域，再进入CNN网络中2000次运算需要大量的时间。SPP-Net试图解决这个问题（对特征提取部分的升级，也要得到2K的候选框，但不是以前2K个候选框逐个提取特征）。使用SPP-net（空间金字塔池化网络），先对一整张图进行一次卷积得到整张图的卷积特征。然后卷积特征中找到对应的2000多个候选区域的位置框，送入到空间金

目前基于深度学习的目标检测算法可以被分为两个大方向，一方面是以fast-RCNN为代表的含有RegionProposalStage的模型，例如faster-RCNN和R-FCN；另一方面是以SSD为代表的

R-CNN系列论文（R-CNN,fast-RCNN,faster-RCNN）是使用深度学习进行物体检测的鼻祖论文，其中fast-RCNN以及faster-RCNN都是沿袭R-CNN的思路。

从RCNN，SPPNET,Fast-RCNN,到Faster-RCNN,实现了端到端网络框架(rg和何凯明从互怼到合作)。

之前有看过这几篇论文，但都不是了解特别清楚。这次索性做个纵向对比，重新把这几篇论文翻出来看，也当做一个阅读笔记。目前的目标检测算法主要分为两类：一类是以RCNN领头的twostage的检测算法。另一类是以Overfeat领头的onestage算法。其主要的综述可以看https://zhuanlan.zhihu.com/p/33277354各项指标可以看以下链接：https://handong158

一.RCNN->Fast-RCNN->Faster-RCNN的发展在CNN之前，对象检测这一问题基本是遵循着“设计手工特征(Hand-craftedfeature)+分类器”的思路，而且由于存在着区域搜索的步骤，所以可以认为是计算机用一个小的矩形窗口不断在图像上滑动、缩放，然后用分类器预测当前滑动窗口所在区域是否存在一个感兴趣的对象。—>使用CNN的特征，用深度神经网络做检测RCNN算法的核心思想

非常好的一篇讲解关于RCNN、Fast-RCNN、Faster-RCNN的文章，侵删。加油啊努力啊～

参考原作者github：https://github.com/rbgirshick/fast-rcnn1.下载fast-rcnngitclone--recursivehttps://github.com/rbgirshick/fast-rcnn.git如果caffe-fast-rcnn目录没有下下来，则执行：gitsubmoduleupdate--init--recursive2.编译fast-r

看到几篇文章，感觉写的挺好的，在此，就不整理了，直接放上原文链接好了。https://www.cnblogs.com/skyfsm/p/6806246.htmlhttps://blog.csdn.net/linolzhang/article/details/54344350https://zhuanlan.zhihu.com/p/31426458

TheRPNistrainedend-to-endtogeneratehigh-qualityregionproposals,whichareusedbyFast-RCNNfordetection”，从这句话可知Faster-RCNN目标检测的过程实际上是分成了两步走策略，由RPN生成候选区域，再交给Fast-RCNN

TheRPNistrainedend-to-endtogeneratehigh-qualityregionproposals,whichareusedbyFast-RCNNfordetection”，从这句话可知Faster-RCNN目标检测的过程实际上是分成了两步走策略，由RPN生成候选区域，再交给Fast-RCNN

TowardsReal-TimeObjectDetectionwithRegionProposalNetworks》摘要：算法主要解决两个问题：1、提出区域建议网络RPN，快速生成候选区域；2、通过交替训练，使RPN和Fast-RCNN

如今深度学习火热的今天，RCNN/SPP-Net/Fast-RCNN等文章都会谈及boundingboxes(候选边界框)的生成与筛选策略。那么候选框是如何产生，又是如何进行筛选的呢？

Fast-RCNN论文地址：Fast-RCNNFast-RCNN项目地址：https://github.com/rbgirshick/fast-rcnn摘要本文提出了一种快速的基于区域的卷积网络方法（fastR-CNN