【深度学习】计算机视觉（CV）-目标检测-Faster R-CNN —— 高精度目标检测算法

1.什么是 Faster R-CNN？

Faster R-CNN（Region-based Convolutional Neural Network） 是 目标检测（Object Detection） 领域的一种 双阶段（Two-Stage） 深度学习方法，由 Ross Girshick 等人于 2015 年提出。

相比于 YOLO（单阶段检测），Faster R-CNN 采用 区域提议网络（RPN, Region Proposal Network） 生成候选框，并使用 CNN 进行分类和回归，在 精度 上明显优于 YOLO 和 SSD，但速度较慢，适用于离线检测任务。

---

2.Faster R-CNN 的核心特点

1) 双阶段检测：

• 第一阶段：RPN 生成区域候选框（Region Proposal）。
• 第二阶段：对候选框进行 分类（Classification） 和 回归（Regression）。

2) 高精度：相比 YOLO、SSD，Faster R-CNN 由于采用 RPN 进行目标提议，在小目标检测上表现更佳。
3) 端到端训练：整个检测流程可以端到端优化，提高检测效果。
4) 适用于高精度应用：如医学影像分析、遥感图像目标检测等。

---

3.Faster R-CNN 的工作流程

Faster R-CNN 由 四个主要部分 组成：

1) 卷积特征提取器（Backbone CNN）

• 使用 ResNet、VGG 等深度 CNN 提取特征图（Feature Map）。

2) 区域提议网络（RPN）

• RPN 生成