一摘要：

两个主要工作：1将cnn和自上而下的区域提案结合进行定位和对象分割；2当训练数据稀缺时，先预训练然后微调。

rccn工作分为四步：1输入一张图片

　　　　　　　　　2用selective search算法对每张图片产生2000张自下而上的候选目标区域

　　　　　　　　　3用cnn对每一个候选区域提取深度特征（因为候选区域大小形状不一致，而cnn输入大小要固定227*227，因此本文用affine image wrapping先把候选区域统一为227*227）

4用svm对每个区域进行分类

二使用rcnn进行对象检测：

对象检测主要有三个模块：1产生与类别无关的候选区域

2用卷积神经网络产生固定长度的特征向量

3使用线性svm进行分类

三Visualization, ablation, and modes of error

1可视化

其中第一层卷积提取的是图片的边缘和颜色特征，后面的特征难以理解。

文章中将池化层5进行了可视化，pool5的特征图为6*6*256=9216维，忽略边界效应，其感受野为195*195，一个中央pool5几乎具有全局感受野。、

256个特征中有6个是可视化的，如图，网络将特征与形状纹理颜色材质等结合在一起，最后的全连接fc6具有模拟大量丰富特征组合的能力

2.Ablation studies

逐层分析每层的作用，发现全连接层参数巨大而对于目标识别和分类影响比较小，删除fc6和fc7，网络依旧有较好的结果，虽然pool5的的特征值仅仅占6%，所以说cnn的识别能力主要来自卷积层。fine-tuning改善了准确率，微调的改进作用主要作用与fc6和fc7，说明pool5的学习具有一般性，大部分的改进是通过学习特定领域的非线性分类器得到的。

3.检测错位分析

没看太懂

4边框回归

使用线性回归模型来预测定位窗口

四语意分割

区域分类是语意分割的标准技术

分割的cnn特征有三种策略：1忽略区域形状，全部变形为227*227，计算cnn特征（full）

　　　　　　　　　　　　  2仅在区域前景计算cnn特征，用均值输入替换背景，使平均相减后背景区域为（fg）

3full+fg

五总结

论文作者认为：自上而下的候选区域提案和卷积神经网络结合是自然而然的，能提高效率的。

///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

学习感悟：

RCNN的训练方式很值得学习：目标检测的标注数据是比较少的，但是图片分类有着大量的标记数据，RCNN首先利用ILSVRC2012图片分类数据库进行预训练甚至可以直接使用AlexNet的参数，得到一个1000维的输出，然后用PASCAL VOC2007数据可进行训练，因为此数据只有20个类别，因此将网络最后的全连接层由1000换成21，20个种类加一个背景类，然后再使用PASCAL VOC2007对数据进行微调。这也印证了论文中说的，卷积层的特征参数具有一般性，用数据多的图片分类数据进行预训练，用数据少的识别数据进行微调，微调主要作用于后面的全连接层。

目标和背景通过候选框和标定框的IOU[（A∩B）/（A∪B）]_来选取，重叠度大于0.5是，标记为目标，重叠度小于0.5时为北京，每个batch为32个正样本+96个背景。_

RCNN优势：

　　　　　 1相较于传统的识别方法如：sift、hog的优势在于，利用深度学习方法提取图片的深度特征，而不再利用人为设计的特征

2采用区域建议的方式，首先提取可能的目标，不再利用滑动窗口的方式，省去大量计算

3加入了边界框回归策略来进一步提升检测精度。