R-CNN与SPP-net对比

图像包含的信息非常的丰富，其中的物体有不同的形状（shape）、尺寸（scale）、颜色（color）、纹理（texture），要想从图像中识别出一个物体很难，还要找到物体在图像中的位置更是难上加难。该文对比了两种

本来想画两个流程图，但viso2010实在用不惯，就直接写步骤吧。

R-CNN的算法流程：

1.通过选择性搜索(SS算法)，对待检测的图片进行搜索出2000个候选窗口。

2.把这2k个候选窗口的图片都缩放到227*227，然后分别输入CNN中，每个候选窗台提取出一个特征向量，也就是说利用CNN进行提取特征向量。

3.把上面每个候选窗口的对应特征向量，利用分类器进行分类识别。

SPP-Net的算法流程：

1.首先通过选择性搜索，对待检测的图片进行搜索出2000个候选窗口。

2.特征提取阶段。同样是用卷积神经网络进行特征提取，但是SPP-Net用的是金字塔池化。操作如下：把整张待检测的图片，输入CNN中，进行一次性特征提取，得到feature maps，然后在feature maps中找到各个候选框的区域，再对各个候选框采用金字塔空间池化，提取出固定长度的特征向量。而R-CNN输入的是每个候选框，然后在进入CNN，因为SPP-Net只需要一次对整张图片进行特征提取。

3.和R-CNN一样，进行特征向量分类识别。

如何在feature maps中找到原始图片中候选框的对应区域？

假设(x’,y’)表示特征图上的坐标点，坐标点(x,y)表示原输入图片上的点，那么它们之间有如下转换关系：

(x,y)=(S*x’,S*y’)

其中S的就是CNN中所有的strides的乘积。

反过来，我们希望通过(x,y)坐标求解(x’,y’)，那么计算公式如下：

 

因此我们输入原图片检测到的windows，可以得到每个矩形候选框的四个角点，然后我们再根据公式：

Left、Top:

 

Right、Bottom：