作者通过CNN提取特征 + SVM分类器 + 逻辑回归确定区域，做目标检测。

Rich feature hierarchies for accurate object detection and semantic segmentation

传统目标检测基本都是特征工程，通过low-level feature，各种methods做ensemble。这篇文章将CNN和目标检测结合在一起，提出了R-CNN（Regions with CNN features）。

作者提出的方法，主要包括三个模块：1、region proposal，2、CNN提取特征，3、特征分类。如下图所示：

Region proposal

Region proposal是用来做目标定位，即定位目标在图像中的位置。算法有很多种，作者使用的是selective search。region在图像中的位置可以表示为$P=(P_x, P_y, P_w, P_h)$

CNN输入图像的size都是固定大小的，region区域size可能不符合CNN对输入要求，这时要wrap image。

CNN提取特征

CNN网络使用了AlexNet，输入为224
x224。特征用的是最后一个全连接层的输出，4096维的向量。

因为标记样本稀缺，作者首先在大的数据集（ImageNet）进行pre-training，之后再在小的数据集（PASCAL）上fine-tuning，这样可以提升准确率。

网络第一层都是在学习边缘和颜色等信息，后面层学到的信息难以可视化。但是可以通过判断激活值的大小，确定输入哪些区域能“激活”feature map的值。最后一个pooling层的输出为6x6x256=9216。每个激活值对应到输入上的区域是195x195。下图每一行是每一类别，top 16激活值对应的region。

白色框为received field，数值为对应的激活值。可以看出每一列学到的特征类似。

分类

这一部分其实包括两个部分，确定类别以及确定region。

确定类别

通过feature来判断类别，作者训练的是binary linear SVM，即one-to-rest。

判断一个region是否包含目标时，作者使用了greedy non-maximum suppression，如果intersection-over-union（IoU） overlap的分值高于阈值，那么判断包含目标，否则作为负样本。

确定区域

对区域进行回归。输入$(P^i, G^i)$，这里$P^i=(P^i_x, P^i_y, P^i_w, P^i_h)$是候选的region， $G = (G_x, G_y, G_w, G_h)$是标记正确的region。学习的目的是把proposed box $P$映射到真实region$G$，前两个参数是位置坐标，即region的中心，图像缩放，中心的不变；后两个是width和height，映射到log空间，预测真实region$\hat G$

这里的$d_*(P)$是最后一个pool层输出特征的线性函数。

总结

作者提出算法在PASCAL VOC 2012上有30%提升。取得这样的效果主要在于两点：1、使用CNN提取特征。2、在样本稀缺时，先通过在ImageNet上pre-training，在在小样本集上fine-tuning。