經過上一篇物件偵測(1)的介紹，我們終於可以正式進入更完整的影像偵測小世界了！

之前說過物件偵測有的兩大主要的步驟：影像分類（Image classification）和物件定位（Object Localization），又有兩大類：One stage 和 Two stage。

早期演算法以 Two stage 為大宗，代表演算法有 R-CNN、 Fast-RCNN 和 Faster RCNN。

這篇文章會先介紹 R-CNN 和 Fast-RCNN！

• R-CNN
  R-CNN 使用 Selective Search 演算法找出 2000–3000 個 region proposal，將取出的 region proposal 壓縮成一樣大小之後再丟入 CNN 擷取特徵，最後對 feature map 利用 SVM 加以分類，並對 bounding box 做線性回歸，得到結果。

SVM：一種二元分類模型。在二維中，可以將其視為一條線，並假設我們的所有輸入點都可以被這條線完全分開。

• Fast-RCNN
  Fast-RCNN 是由 R-CNN 改良，改善了　R-CNN　每個區域都要放入CNN　提取特徵，導致有很多重複運算的部分非常花時間 → Fast-RCNN　只對影像做一次　feature 的擷取。
  
  Fast-RCNN 的不同之處是拿掉 SVM 結構，改以 softmax 作為分類方法和採用了 Fully Convolutional Networks（FCN） ，一般的CNN 最後一層都是使用全連接層來獲得分類預測機率 → FCN 將最後一層全連接層替換為卷積層。
  接著將 ROI 投射到 Feature Map 上，再做 ROI Pooling。

softmax： 輸出的每個值表示這個樣本屬於每個類的概率，且輸出的向量值範圍為 0 到 1。

ROI Pooling：就是對每個 Region proposal 做 pooling，得到的 ROI 都會有自己的座標和大小。

那為甚麼這裡要使用　ROI Pooling　呢？
原因是 ROI Pooling Layer 之後的　Fully Connected Layer　的輸入是固定尺寸，所以需要通過 ROI Pooling 將所有的 ROI 變成固定大小。

　　　未完待續

圖片來源1
圖片來源2
論文