faster r cnn
RCNN算法流程可分为4个步骤： 1.一张图片成1k-2k个候选区域（使用select search方法） 利用ss算法通过图像的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体 2.对每个候选区域，使用深度网罗提取特征 将2000个候选区域缩放到227×227，接着将候选区域输入实现选练好的AlexNet CNN 网络，获取4096维的特征得到2000×4096维矩阵 3.特征送入每一类的SVN分类器，判别是否属于该类 将2000×4096维特征与20个SVM组成的全职矩阵4096×20相乘，获得2000×20维矩阵表示每个建议框是某个目标类别的得分。分别对上述2000×20维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该类中得分最高的一些建议框。
2000×4096 4096×20 -> 2000×20 2000个候选框 4096代表SVM每个类别的权重 第一行第一列元素代表第一个候选框为猫的概率 第二行第一列元素代表第二个候选框为猫的概率 非极大值已知剔除重叠建议框 1.寻找得分最高的目标 2.计算其他目标与该目标的I0U 3.删除所有IOU值大于给定阈值的目标
4.使用回归器精细修正候选框的位置 对NMS处理后剩余的建议框进一步筛选。接着分别用20个回归器对上述20个列别众生于的建议框进行回归操作，最终得到每个列别的修正后的得分最高的bouning box
fast R-CNN 算法流程步骤 1.一张图片成1k-2k个候选区域（使用select search方法） 2.将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上获得相应的特征矩阵 3.将每个特征特征举证通过ROI pooling层缩放到7×7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结构
损失 ROI Pooling Layer 不限制输入图像的尺寸
faster r-cnn算法流程可分为3个步骤 将图像输入网络得到相应的特征图 使用RPN结构生成候选框，将RPN生成的候选框投影到特征图上获得相应的特征矩阵 将每个特征矩阵通过ROI pooling 层缩放到7×7大小的特征图，接着将特征图展平通过一些列全连接层得到预测结果
对于一张1000×600×3的图像，大约有60×40×（20K）个anchor，忽略跨越边界的anchor后，剩下约6K个anchor。对于RPN生成的候选框之间存在大量重叠，基于候选框的cls得分，采用非极大值抑制，IOU设置为0.7，这样每张图片只剩2K个候选框 训练时用的样本为256个anchor
