通过提取区域推荐然后进行目标检测与分类算法系列已经历经三代。本文将从思想层面依次介绍其核心思想和演变历程。将抽象的模型算法拆解成可以通俗理解的概念。理解算法思路在看公式才能读懂。

R-CNN（爷爷辈）

2014年R-CNN框架将卷积应用到目标检测。

步骤：

1. 原始图片进入模型后使用selective method算法生成2000个候选区域，本质上意思是对原图进行抠图，生成可能出现物体的区域。
2. 将2000个候选区域传入卷积模型提取特征。
3. 提取特征后利用SVM进行物体分类，使用回归进行位置预测。

缺点：

1. 2000个候选框都进行了一次卷积核SVM分类器，等于进行了多次卷积核分类，运算量大。
2. selective method算法速度慢，耗时大。

Fast R-CNN（爸爸辈）

Fast R-CNN本质上只经过一个卷积模型进行特征提取。解决了R-CNN出现的缺点1，减少卷积次数。对feature map进行抠图，进行了共享卷积特征。

步骤：

1. 原始图片经过卷积层提取特征，生成feature map。
2. 对feature map使用selective method算法，生成候选区域。
3. 由于生成的候选区域尺寸不一样，经过ROI Pooling层将候选区域归整成同样尺寸。
4. 使用softmax代替svm进行分类。使用回归进行位置预测。

Faster R-CNN（真身）

Faster R-CNN祖辈的最大区别是使用RPN（Region Proposal Network）代替了耗时的Selective method。

步骤：

1. 输入图片经过VGG或者其他CNN网络进行特征提取，生成相应的feature map。
2. feature map经过RPN网络，feature map每个点生成9个Anchor box.
3. 使用Anchor box作为参照物，计算偏移，然进行预测。
4. 每个点，分类方面得到2k scores 用于判断是否有无物体。
5. 每个点，位置预测方面有4k coordinates 用于判断位置。
6. 上文的k是指9，即Anchor box种类。
7. Rol pooling层将提取的proposal region变形成同样尺寸。接着过滤无意义的候选框。
8. RPN提取的候选框+前文的feature map判断每个候选框的物体是什么，本质上是判断是否进行了有效抠图，
9. 最后经过全连接层进行分类，并且回归目标位置。