但是我们如何确定这些边界框的大小和位置呢？R-CNN网络通过以下操作完成了一个我们直观上可以完成的任务：在图像中提出了多个边框，并判断这其中的任何一个是否对应着一个具体对象。

　　图6：通过多种尺寸的边框进行选择性搜索，查找具有相同的纹理、颜色或强度的相邻像素。

　　R-CNN网络使用了选择性搜索的方法，来创建这些边界框或区域建议（region proposal）。在图6中，选择性搜索通过不同大小的边框分析图像，并且对于每个图像块，尝试通过纹理、颜色或强度将相邻像素组合在一起，以识别对象。

　　想深入了解选择性搜索，请阅读：

　　图7：在创建一组区域建议后，R-CNN网络会将每个图像块传递给一种改进版的AlexNet网络，确定这些图像块是否为有效区域。

　　创建了区域建议后，R-CNN网络将该区域块变形标准的方形，并将其输入到改进版的AlexNet网络，具体步骤如图7所示。AlexNet是在ImageNet 2012比赛中的最优网络，R-CNN灵感就来源于它。

　　在CNN的输出层，R-CNN网络还应用了支持向量机（SVM）的方法，它能够判断该图像是否为对象，以及是什么对象。

　　改善边界框

　　现在，我们已经能在边界框中找到对象，但是还能缩小边界框来适应对象的真实尺寸吗？可以的，这就是构建R-CNN网络的最后一个步骤。R-CNN网络对区域建议进行简单的线性回归操作，来获得更贴近的边界框坐标，获得了R-CNN网络的最终输出结果。回归模型的输入和输出分别为：

　　输入：与对象相对应的图像子区域。

　　输出：子区域中对象的新边界框坐标。

　　所以，R-CNN网络总结为以下几个步骤：

　　1. 为边界框生成一组区域建议；

　　2.通过预先训练好的AlexNet网络来判断边框中的图像是否为有效区域，最后通过支持向量机算法来确定边框中的图像类别；

　　3.在确定边框图像的类别后，应用线性回归模型，来输出更紧密的边框坐标。

　　2015年：Fast R-CNN - 加速并简化R-CNN

　　图8：Ross Girshick发明了R-CNN和Fast R-CNN，并继续推动着Facebook Research计算机视觉技术的发展。

　　R-CNN网络的性能很好，但是实际上训练起来很慢，有以下几个原因：

　　1.单个图像的每个区域建议都需要利用AlexNet网络进行判断，每次判断大约需要2000次前向传播。

　　2.此网络必须单独训练三种不同的模型：提取图像特征的CNN网络，判断类别的分类器和缩小边框的回归模型。这样子很难训练这些网络。

　　2015年，R-CNN网络的第一作者Ross Girshick解决了这两个问题，发明了新的网络Fast R-CNN。现在我们来了解Fast R-CNN网络的主要创新点。

　　创新点1：引入感兴趣区域池化（ROI Pooling）

　　在CNN的前向传递过程中，Girshick意识到，每个图像的多个区域总是互相重叠，atv，导致我们多次运行相同的CNN计算，多达2000次。他的创新很简单：可不可以对每个图像只运行一次CNN运算，然后在2000次前向传播过程中找到一种共享这个计算结果的方法？

　　图9：在RoIPool层中，创建每个图像完整的前向传播过程，并从获得的前向传播过程中提取每个感兴趣区域的转换特征。

　　这正是Fast R-CNN网络用感兴趣区域池化（RoIPool，Region of Interest Pooling）技术所做的创新。其创新点在于，RoIPool层共享了CNN网络在图像子区域中的前向传播过程。在图9中，是从CNN的特征图谱中选择相应的区域来获取每个区域的CNN抽象特征。然后，通常使用最大池化操作来合并每个区域中的初级抽象特征。所以我们只进行了原始图像的一次前向传播操作，而不是2000次。

　　创新点2：将所有模型整合到一个网络中

　　图10：Fast R-CNN将卷积神经网络、分类器和缩小边框的回归模型整合成一个单输入双输出的网络。