研究内容：基于Python语言实现的各主流目标检测模型对比分析

RCNN系列、Fast-RCNN、Faster-RCNN、R-FCN检测模型对比

一．RCNN

问题一：速度

经典的目标检测算法通过滑动窗系统性地对所有潜在区域进行逐一检测。与之相比，本文首先筛选出一组很可能包含物体的候选区域，并随后仅对该部分候选区域进行特征提取与检测。

问题二：训练集

基于区域的人工设定特征进行（Haar, HOG）检测的经典目标检测算法，则需通过深度网络实现特征自动提取。其中可选的数据集有两种类型

规模宏大的图像识别基准库（ImageNet ILSVC 2012）被用于分类每张图片中的物体类别。一百万个图像被划分为 thousand categories。

一个较小的检测库（PASCAL VOC 2007）：被用于对每张图片中的物体进行类别和位置的标注。大约一万张图片中分布着二十个类别。

保证合并后形状规则。

网络分为四个部分：区域划分、特征提取、区域分类、边框回归

区域划分：使用selective
search算法画出2k个左右候选框，送入CNN

特征提取：使用imagenet上训练好的模型，进行finetune

区域