R-CNN（基于区域的卷积神经网络）是一种目标检测架构，由罗斯·吉什克、杰夫·多纳休、特雷弗·达雷尔和吉滕德拉·马利克于2014年在加州大学伯克利分校提出。它是首批在目标检测中显著优于传统计算机视觉方法的深度学习技术之一，而目标检测涉及在图像中定位物体并对其进行分类。R-CNN证明了卷积神经网络能够从图像分类有效迁移到目标检测，为新一代检测模型奠定了基础。
R-CNN的核心创新在于其基于区域的方法。它不是用滑动窗口扫描整幅图像，而是首先生成一组可能包含物体的候选区域，然后对每个区域独立运行CNN。这种两阶段范式，，区域提议后接分类，，成为目标检测领域数年的主导框架，影响了后来的Fast R-CNN和Faster R-CNN等模型。
架构与方法
R-CNN分三个主要阶段运行。首先，它使用选择性搜索算法为每幅图像生成约2,000个类别无关的区域提议。这些提议是可能包含物体的候选边界框。其次，每个提议被调整为固定大小（227x227像素），并通过一个CNN，，通常是AlexNet的变体，，提取4096维特征向量。第三，这些特征被输入一组类别特定的线性支持向量机（SVM）以分类区域，同时一个边界框回归模型修正提议的坐标。
选择性搜索由贾斯珀·乌伊林斯及其同事于2013年开发，其使用至关重要，因为它减少了与穷举滑动窗口方法相比需要评估的区域数量。CNN充当强大的特征提取器，从原始像素学习层次化表示，其性能优于早期检测器如可变形部件模型中使用的方向梯度直方图（HOG）等手工特征。
训练过程
训练R-CNN涉及多步骤流程。CNN首先在ImageNet分类数据集上预训练，该数据集包含超过120万张图像，涵盖1,000个类别。然后，它在目标检测数据集上进行微调，使用与真实边界框的交并比（IoU）重叠度至少为0.5的区域提议作为正样本，IoU低于0.3的作为负样本。微调后，SVM在提取的特征上训练，使用更严格的IoU阈值0.3来认定正样本以减少误报。最后，训练一个线性回归模型来调整边界框坐标，使用IoU大于0.6的提议。
这一训练流程计算成本高昂。每个区域提议都需要通过CNN进行一次前向传播，而每幅图像有2,000个提议，导致训练和推理速度缓慢。在GPU上，处理单张图像约需47秒，这使得实时应用不切实际。然而，其精度提升是显著的。
性能与影响
在PASCAL VOC 2012数据集上，R-CNN实现了53.3%的平均精度均值（mAP），较此前SegDPM方法40.4%的最优结果有显著提升。在VOC 2007数据集上，它达到58.5%的mAP，大幅超越所有先前方法。这证明了深度学习在目标检测中的强大能力，并推动了该领域的快速发展。
R-CNN的成功引发了一系列改进。2015年，罗斯·吉什克提出了Fast R-CNN，通过单一CNN前向传播共享计算并使用感兴趣区域（RoI）池化层简化了流程，显著缩短了训练和推理时间。同年晚些时候，Faster R-CNN用学习到的区域提议网络取代了选择性搜索，使整个流程可端到端训练且接近实时。这些模型以及采用不同单阶段方法的YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector），主导了数年的目标检测研究。
R-CNN引入的原则，，区域提议、特征提取和边界框回归，，在现代检测系统中仍是基础，即使像DETR（检测变压器）这样的新型架构已转向基于变压器的端到端方法。R-CNN的影响还延伸到目标检测之外的任务，如实例分割和关键点检测，其中基于区域的方法仍被广泛使用。
局限性与遗产
尽管取得了突破，R-CNN仍存在显著局限性。其多阶段训练复杂且耗时，需要分别训练CNN、SVM和边界框回归器。推理速度对许多实际应用来说过慢，且由于所有提议的特征必须存储，内存占用较大。这些问题促使了更快、更集成后继模型的发展。
尽管如此，R-CNN被广泛视为计算机视觉领域的里程碑式论文。它证明了深度学习可以成功应用于目标检测，而这一问题此前一直难以突破。其方法影响了众多后续工作，并帮助确立了从大型分类数据集进行迁移学习的重要性。该论文于2014年发表在IEEE计算机视觉与模式识别会议（CVPR）上，已被引用数万次，反映了其对Artificial intelligence和Machine learning领域的持久影响。
R-CNN也促进了Deep learning技术在计算机视觉中的更广泛应用，与2012年AlexNet等其他突破性成果一道。其成功鼓励研究人员将CNN应用于更广泛的视觉任务，包括语义分割和视频分析。如今，尽管更新模型已超越R-CNN的性能，但其概念框架仍是计算机视觉课程教学中的关键部分，也是理解目标检测演变的参考点。
相关发展
R-CNN的谱系包括几个显著变体。Fast R-CNN（2015年）引入RoI池化以共享卷积计算，将训练时间从数天缩短至数小时，并将VOC 2012上的mAP提升至66%。Faster R-CNN（2015年）增加了学习提议区域的区域提议网络（RPN），在GPU上实现约每秒5帧的接近实时速度，并进一步提高精度。Mask R-CNN（2017年）将Faster R-CNN扩展至实例分割，在边界框之外增加了一个分割掩码分支。这些模型在自动驾驶和医学成像等领域得到广泛应用，并继续影响现代架构。
信息框
分类
- object-detection
- computer-vision
- deep-learning
- convolutional-neural-network