论文笔记《Faster RCNN》

摘要
最先进的目标检测网络 取决于感兴趣区域提取算法以及目标定位，像SPP网以及Fast RCNN网络减少了检测的时间消耗，与此同时区域提取的时间消耗达到了瓶颈，本文使用区域提取网络，该网络与检测网络共享图像的卷积特征，因此区域提取的消耗几乎没有，RPN是全卷积（个人理解为没有全连接层只有卷积层）的网络，在每一个位置同时预测box以及得分，训练RPN为一个端到端的模型提取高质量的区域，该区域用于Fast RCNN检测，本文将RPN和Fast RCNN通过共享卷积特征合并成一个简单的网络，RPN会提取感兴趣区域，对于更深的VGG16模型，检测系统在GPU速度为5fps，每幅图像仅提取300proposal
本文算法：用深度卷积网络提取proposal，proposal的计算给检测的网络几乎是没有消耗的，最后介绍RPN，与检测的网络共享卷积层，在检测时共享卷积区域提取的时间是非常短的，10ms每幅图片。基于区域的检测算子使用卷积特征图，Fast RCNN可以用于区域提取，在卷积特征的顶层，通过添加一些额外的卷积层创建RPN，这些额外的卷积层可以在每一个位置上同时回归bbox以及目标得分，RPN是一种全卷积网络，并且为了检测proposal可以进行端到端的训练。RPN能够有效预测有大的尺寸变化以及缩放比例的感兴趣区域。对比流行的算法，有图像金字塔或者滤波器金字塔，我们使用“anchor”表示多尺度和多比例的box，本文算法可以看作回归金字塔，避免了图像以及滤波器多尺寸以及比例的枚举特性，对于单一尺寸的图片进行训练和测试该算法性能很好并且提到运算速度。

具体实现
为了统一RPN和Fast RCNN的目标检测网络，我们的训练策略是交替训练RPN以及检测网络，比如固定proposal，通过共享卷积层在两个网络之间构建统一的网络，在PASCAL VOC数据集上评估我们的算法，RPN+FAST RCNN的性能高于selective search+Fast RCNN，时间短，我们算法提取proposal运行时间10milliseconds，使用深度网络，检测算法在GPU上速度为5fps，在速度和精度都是实用的目标检测系统，我们同时在COCO数据集以及PASCAL ＶＯＣ数据集上进行了测试，最初的版本已经出版，至此 RPN以及Faster RCNN框架已经被采用，并且概括到其他方法，比如3维物体检测、部分检测、分割以及图像标题，快且有效的目标检测系统已经在多个系统中使用。算法在各个数据集中都能取得好的结果，结果表明我们方法不仅具有实用性而且也是一种有效提高检测精度算法。
Proposal，有很多关于目标proposal的算法，全面的调查以及查阅论文可以看到相关的方法&#x