RCNN的发展是从Region Proposal到Bounding Box Regression

网络上存在大量关于Faster RCNN的解析资料，但其中这篇内容较为全面，不仅涵盖了整体运作流程与核心理念的阐述，还对各个实现细节进行了深入讲解。以下为大致内容整理（仅记录当前本人关注的部分）：

1 各种CNN模型以及数据库

在深入研究基于深度学习的目标检测技术过程中，频繁接触到多种卷积神经网络架构，例如ZF模型与VGG模型等。此外，还广泛涉及多个常用数据集，包括PASCAL VOC、MNIST以及ImageNet等，相关资料在博文深度学习常用的Data Set数据集和CNN Model总结 中已有系统性归纳。

2 RCNN系列方法的介绍

RCNN算法应用与分析

RCNN算法包含四个处理阶段

• 通过SS方法，从单张图像中生成1K至2K个候选区域
• 针对每个候选区域，利用深度网络提取其特征信息
• 将所提取的特征输入至各类目标对应的SVM分类器中，以判断该区域是否属于对应类别
• 利用回归器对候选框的位置进行精确调整

位置精修

在目标检测任务中，衡量检测效果的关键指标是重叠面积。尽管某些检测结果在视觉上看似准确，但若候选框定位不够精准，则会导致重叠面积偏低。因此，在整个流程中需设置一个用于修正位置的步骤。
回归器
对于每一种目标类别，均采用线性脊回归器实