一.全文翻译
二.名词解释
1.hard negative mining method（难负例挖掘）
训练SVM时，由于训练数据太大，难以装进内存，RCNN采用hard negative mining method。
关于正例和负例：
假如给你一幅图，识别里面的人，人就是正训练样本，背景就是负训练样本。
复杂点说：对于目标检测, 我们会事先标记 ground truth，然后再算法中会生成一系列 proposal，这些 proposal有跟 ground truth重合的也有没重合的，那么 IoU 超过一定阈值（通常0.5）的则认定为是正样本，以下的则是负样本, 然后扔进网络中训练。
但经常会出现这样：easy example：通常为负例，hard example：正例+难负例
正样本的数量远远小于负样本，这样训练出来的分类器的效果总是有限的，会出现许多 false negative, 即预测为负例的正样本。
R-CNN中的难负例挖掘就是采用了自举法（bootstrap），不断地挑选hard nagtive，加入负例集，再次进行训练，重复以上操作，直到网络效果不能上升为止。
2.bbox=Bounding-box
bbox是每个region矩形框的位置信息。
RCNN中训练了一个线性回归模型在给定一个选择区域的pool5特征时去预测一个新的检测窗口。
三，语义分割
RCNN中与O2P（second-order pooling）做了对比。
第一个策略完全忽略区域的形状(full ignore)，直接在变形后的窗口上计算CNN特征，就和我们检测时做的一样。但是，这些特征忽略了区域的非矩形形状。两个区域也许包含相似的约束框却几乎没有重叠。因此，第二个策略(fg，foreground)只计算前景遮罩（foreground mask）的CNN特征，我们将所有的背景像素替换成平均输入，这样减除平均值后他们就会变成0。第三个策略(full+fg)，简单的并联全部（full）特征和前景（fg）特征；我们的实验验证了他们的互补性。
R-CNN 进行语义分割分为 3 个阶段。
1.利用 CPMC 生成候选区域，然后将这些区域调整大小为 227x227,送到神经网络当中，这是 full 阶段，区域中有背景也有前景。
2.这个阶段只处理候选区域的前景，将背景用输入的平均值代替，然后背景就变成了 0 ，这个阶段称为 fg。
3.full + fg 阶段，将背景和前景简单拼接。**
四，消融研究
RCNN发现CNN中的最后一层fc7的特征泛化能力不如fc6的特征。这意味29%的CNN参数，也就是1680万的参数可以移除掉，而且不影响mAP。更多的惊喜是即使同时移除fc6和fc7，仅仅使用pool5的特征，只使用CNN参数的6%也能有非常好的结果。
五，缺点
- 训练分为多个阶段，步骤繁琐: 微调网络+训练SVM+训练边框回归器
- 训练耗时，占用磁盘空间大：5000张图像产生几百G的特征文件
速度慢: 使用GPU, VGG16模型处理一张图像需要47s。
对图像提完Region Proposal（2000个左右）之后将每个Proposal当成一张图像进行后续处理(CNN提特征+SVM分类)，实际上对一张图像进行了2000次提特征和分类的过程测试速度慢：每个候选区域需要运行整个前向CNN计算
SVM和回归是事后操作
