一：R-CNN（Rich feature hierarchies for accurate object detection andsemantic segmentation v5.pdf）
R指的是region，也就是在数据进入深度网络（CNNs）之前进行预处理,在预训练图像中生成若干个regionproposals，再将这些regionproposals进行resize,因为CNN网络要求输入数据维度相同。
训练过程：
①supervised pre-training，使用传统的CNN来训练大规模数据集ImageNet，获得初始化权重。
所谓的有监督预训练，我们也可以把它称之为迁移学习。比如你已经有一大堆标注好的人脸年龄分类的图片数据，训练了一个CNN，用于人脸的年龄识别。然后当你遇到新的项目任务是：人脸性别识别，那么这个时候你可以利用已经训练好的年龄识别CNN模型，去掉最后一层，然后其它的网络层参数就直接复制过来，继续进行训练。这就是所谓的迁移学习，说的简单一点就是把一个任务训练好的参数，拿到另外一个任务，作为神经网络的初始参数值,这样相比于你直接采用随机初始化的方法，精度可以有很大的提高。
图片分类标注好的训练数据非常多，但是物体检测的标注数据却很少，如何用少量的标注数据，训练高质量的模型，这就是文献最大的特点，这篇paper采用了迁移学习的思想。文献就先用了ILSVRC2012这个训练数据库（这是一个图片分类训练数据库），先进行网络的图片分类训练。这个数据库有大量的标注数据，共包含了1000种类别物体，因此预训练阶段cnn模型的输出是1000个神经元，或者我们也直接可以采用Alexnet训练好的模型参数。
这点在微调过程能够看得出来：原文：Aside from replacing the CNN’s ImageNetspecific 1000-wayclassification layer with a randomly initialized (N+ 1)-way classification layer (whereNis the
number of object classes, plus 1 for background),将最后的分类器部分替换掉。
为什么要进行预训练呢？
物体检测的一个难点在于，物体标签训练数据少，如果要直接采用随机初始化CNN参数的方法，那么目前的训练数据量是远远不够的。这种情况下，最好的是采用某些方法，把参数初始化了，然后在进行有监督的参数微调，这边文献采用的是有监督的预训练。所以paper在设计网络结构的时候，是直接用Alexnet的网络，然后连参数也是直接采用它的参数，作为初始的参数值，然后再fine-tuning训练。
②Domain-specific fine-tuning. 使用与检测任务相关的较小的数据集对CNN进行微调。
为什么要进行微调呢？
首先，反正CNN都是用于提取特征，那么我直接用Alexnet做特征提取，省去fine-tuning阶段可以吗？这个是可以的，你可以不需重新训练CNN，直接采用Alexnet模型，提取出p5、或者f6、f7的特征，作为特征向量，然后进行训练svm，只不过这样精度会比较低。那么问题又来了，没有fine-tuning的时候，要选择哪一层的特征作为cnn提取到的特征呢？我们有可以选择p5、f6、f7，这三层的神经元个数分别是9216、4096、4096。从p5到p6这层的参数个数是：4096*9216 ，从f6到f7的参数是4096*4096。那么具体是选择p5、还是f6，又或者是f7呢？
文献paper给我们证明了一个理论，如果你不进行fine-tuning，也就是你直接把Alexnet模型当做万金油使用，类似于HOG、SIFT一样做特征提取，不针对特定的任务。然后把提取的特征用于分类，结果发现p5的精度竟然跟f6、f7差不多，而且f6提取到的特征还比f7的精度略高；如果你进行fine-tuning了，那么f7、f6的提取到的特征最会训练的svm分类器的精度就会飙涨。
据此我们明白了一个道理，如果不针对特定任务进行fine-tuning，而是把CNN当做特征提取器，卷积层所学到的特征其实就是基础的共享特征提取层，就类似于SIFT算法一样，可以用于提取各种图片的特征，而f6、f7所学习到的特征是用于针对特定任务的特征。打个比方：对于人脸性别识别来说，一个CNN模型前面的卷积层所学习到的特征就类似于学习人脸共性特征，然后全连接层所学习的特征就是针对性别分类的特征了。
疑问：CNN训练的时候，本来就是对bounding box的物体进行识别分类训练，是一个端到端的任务，在训练的时候最后一层softmax就是分类层，那么为什么作者闲着没事干要先用CNN做特征提取（提取fc7层数据），然后再把提取的特征用于训练svm分类器？这个是因为svm训练和cnn训练过程的正负样本定义方式各有不同，导致最后采用CNNsoftmax输出比采用svm精度还低。
事情是这样的，cnn在训练的时候，对训练数据做了比较宽松的标注，比如一个bounding box可能只包含物体的一部分，那么我也把它标注为正样本，用于训练cnn；采用这个方法的主要原因在于因为CNN容易过拟合，所以需要大量的训练数据，所以在CNN训练阶段我们是对Boundingbox的位置限制条件限制的比较松(IOU只要大于0.5都被标注为正样本了)；
然而svm训练的时候，因为svm适用于少样本训练，所以对于训练样本数据的IOU要求比较严格，我们只有当bounding box把整个物体都包含进去了，我们才把它标注为物体类别，然后训练svm.
二：SPP-net（Spatial Pyramid Pooling in Deep Convolutional Networks forVisual Recognition.pdf）
与经典的R-CNN相比，在目标检测方面，SPP-Net主要解决了几个存在的问题：
1：不需要对每一个Region（candidatewindow）进行单独训练
2：不需要重复训练CNN网络多次
3：解决了corp/wrap过程中造成的图像失真或者剪切不完全的问题
解决方案：
1：将经过SS处理后（含有2k个region proposal）的整幅图像输入CNNs，不需要对图像中的每一个proposal进行训练，然后得到整个featuremap，大大减少了计算proposal的特征时候的运算开销。然后Mapping aWindow to Feature Maps.具体做法：
In ourimplementation, we project the corner point of a window onto a pixel inthefeature maps, such that this corner point in the image domain isclosest tothe center of the receptive field of that featuremap pixel。
不太理解，目前理解是：想要得到feature map path，要确定角点（论文中用的左上角点和右下角点），用已知的imageregion的window（ROI）的角点来确定特征图上的角点。步骤：
具体过程：
前提：我们已经知道了ROI位置，我们的目的是要在卷积层上得到对应的候选窗口。
① 取得ROI中心点位置（x,y）
② 则对应的feature map path的左上角点为
右下角点为 
补充：
看上图在conv5的时候提取的特征已经具有较好的响应能力了，这些filter的位置已经确定，这里感觉就是中心点了，只是要确定其大小，那么我们就可以知道其中心点（x’,y’），则根据论文说的公式相对应ROI的中心点就为
，这里是不是就对应了这句话such that this corner point in the imagedomain is closest tothe center of
the receptive field of that featuremap pixel。互相来确认？论文也没说，不是很确定。
论文中也用了多尺寸的图像也即将一副图像resize为多个尺寸（480, 576, 688,864, 1200）进行训练，这就增加了特征提取的准确性，在微调过程中也只需要微调FC层即可，提高训练效率。
2：由于第一步的功劳，对于每一副图像不需要训练CNN网络多次。只需要训练一次CNN，从特征图中得到候选窗口。
3：通过SS等方法得到的Region proposal（candidate windows）不需要进行crop/wrap了，因为convolution layer和Pooling layer并没有对图像尺寸大小的约束，而是在FC层有要求，因此论文在FC层之前在最后的卷积层之后pool5层采用SSP，替代常规的Pooling，这也是其核心之处。如下图：
具体做法：将得到的region proposal，进行SSP算法，通过pyramid -level n*n bins,一般取（1*1,2*2,3*3,4*4,6*6），bin代表分割后的小方格，看下图：
上图采用的比例是（1*1；2*2；4*4），level=3的金字塔。到FC层时feature vector长度为（16+1+4）*256。
三：Fast R-CNN
从图中可以看出与SPP-net的区别主要有以下三点：
1：输入数据由单输入改为双输入，分别是a list of images and a list of RoIs in those images.
2：引入了ROI Pooling层，将最后一层Pooling层替换为ROI Pooling层，这次相当于SPP-Net中的single-scale模式，从feature map上提取一个固定的特征向量到FC层。
3：输出包含了2层分支输出，一层分支为classification层，用来估计K类object与一类背景的概率（softmax）；另一层为Regression层（为每一类输出一个4实值，其实也是bounding box的位置，通常用（x,y,w,h）表示，x,y代表中心点位置，w,h代表长宽）
其他改变：
1. 1：fine turning过程。SPP-Net在实现上无法同时tuning在SPP layer两边的卷积层和全连接层。
2. SPP-Net后面的需要将第二层FC的特征放到硬盘上训练SVM，之后再额外训练bbox regressor
四：faster R-CNN（Faster R-CNN Towards Real-Time ObjectDetection with Region Proposal Networks v3.pdf）
相比于 fastR-CNN ， FasterR-CNN 可以看做是对 Fast R-CNN 的进一步加速，最主要解决的如何快速获得 proposal ，一般的做法都是利用显著性目标检测（如 Selectivesearch ）过一遍待检测图，得到 proposal 。基于区域的深度卷积网络虽然使用了 GPU 进行加速，但是 theregion proposal methods 确却都是在 CPU 上实现的，这就大大地拖慢了整个系统的速度。然后作者提出，卷积后的特征图同样也是可以用来生成 region proposals 的。通过增加两个卷积层来实现 Region Proposal Networks (RPNs) , 一个用来将每个特征图 的位置编码成一个向量，另一个则是对每一个位置输出一个 objectness score 和 regressed bounds for k region proposals 。如图：
RPNs 是一种 fully-convolutional network (FCN)，为了与 Fast R-CNN相结合，作者给出了一种简单的训练方法：固定 proposal，为生成 proposal和目标检测这两个task交替微调网络。
RPN网络是怎样训练的呢？
区域建议网络（RPN）将一个图像（任意大小）作为输入，输出矩形目标建议框的集合，每个框有一个objectness得分。我们用全卷积网络[14]对这个过程构建模型。因为我们的最终目标是和Fast R-CNN目标检测网络[15]共享计算，所以假设这两个网络共享一系列卷积层。在实验中，详细研究Zeiler和Fergus的模型[23]（ZF），它有5个可共享的卷积层，以及Simonyan和Zisserman的模型[19]（VGG），它有13个可共享的卷积层。
为了生成区域建议框，我们在最后一个共享的卷积层输出的卷积特征映射上滑动小网络，这个网络全连接到输入卷积特征映射的nxn的空间窗口上。每个滑动窗口映射到一个低维向量上（对于ZF是256-d，对于VGG是512-d，每个特征映射的一个滑动窗口对应一个数值）。这个向量输出给两个同级的全连接的层——Bounding Box Regression Layer（reg）和softmaxLayer（cls）。本文中n=3，注意图像的有效感受野很大（ZF是171像素，VGG是228像素）。图1（左）以这个小网络在某个位置的情况举了个例子。注意，由于小网络是滑动窗口的形式，所以全连接的层（nxn的）被所有空间位置共享（指所有位置用来计算内积的nxn的层参数相同）。这种结构实现为nxn的卷积层，后接两个同级的1x1的卷积层（分别对应reg和cls），ReLU[15]应用于nxn卷积层的输出。
相关链接：http://blog.csdn.net/liumaolincycle/article/details/48804687
http://www.myexception.cn/mobile/2085948.html
http://www.cnblogs.com/rocbomb/p/4428946.html
http://www.360doc.com/content/16/0313/16/1317564_541854712.shtml
http://blog.csdn.net/u011534057/article/details/51235964