这2天课程讲解的是RCNN系列的二阶段检测模型系列：RCNN / fast-RCNN / faster-RCNN，以及后续其他在此上的改进，如：Cascade R-CNN; Libra R-CNN 等。
其实自己原来看了一些文章学习RCNN，但是总有些地方没彻底搞懂。本次课程，老师讲解得非常清楚，特别适合我当前的学习阶段的解疑。所以，我就在此记录一些我觉得非常有收获的地方，相信对于和我差不多的同学特别有参考价值。
1） 两阶段的发展历程。【老生常谈了，不展开记录了】
RCNN , SPPNet, Fast RCNN, Faster RCNN, Pyramid Networks,
2）RCNN: 把传统检测方法中的HOG/Haar 特征提取部分，改成深度学习CNN网络来提取特征； 使用图像分类的模型；使用Selective Search提取2000个候选区域；然后使用SVM进行分类；
3）Fast-RCNN：特征图一次生成，不需要针对每一个候选框算一遍； 使用RoI Pooling的方法把不同大小不同形状的特征矩阵 统一生成相同的特征向量；SVM也被替换成 softmax->class; regressor-> bbox；
4）Faster-RCNN：使用RPN( Region Proposal Network ）替代 Selective Search，提取候选区域；（fast 中 search search还是从原始图像出发，RPN 是先得到整张特征图，通过特征图和 AnchorBox，得到一大群候选特征向量，使用 分类网络和bbox回归 得到带有前景的bbox，然后使用NMS进行候选框提取）
5）Faster-RCNN原理仔细展开说明：
5-1）先生成一堆锚框：
5-2）根据锚框，从特征图中切取局部特征输入，直接学习 是否前景；坐标回归 （bbox位置和大小调整）；
这样就可以得到候选bbox，根据得分大小和NMS；
目标函数，loss计算：
5-3）得到了大量的备选框后，下面进行各类过滤，得到Proposal框:
5-4）拿到一堆的候选框了，现在进入第二阶段：
先进行RoI Pooling，
第二阶段，真值计算：（对于每一个bbox，4个值确认是否属于各类别；4（类数据）*4（tx,ty,tw,th）个bbox微调输出）
6）Faster-RCNN 改进策略
6-1）FPN：
就是说，不同面积的框，去不同层去匹配。这个应该是合理的。
7）Cascade R-CNN
7) 优化策略的改进
课程回顾：
本文链接：http://task.lmcjl.com/news/5650.html
