学习笔记十——Faster R-CNN

提出问题：在测试时候选区域提取耗费大量的时间。

解决方法：用深度卷积神经网络计算候选区域，引入了新的候选区域网络（RPN），其共享目标检测网络的卷积层。

Faster R-CNN：

主要由两个模块组成:(1)候选区域的深度全卷积网络，(2)使用候选区域的Fast R-CNN检测器。

1、Region Proposal Network (RPN)区域候选网络

是为了提出候选区域的全卷积网络，基于滑窗的无类别目标检测器。其候选窗口称为anchors。

我们在最后的共享卷积层输出的卷积特征图上滑动一个小网络。这个小网络将输入卷积特征映射的n×n窗口作为输入，将其映射到一个低维特征。这个特征被输入到两个子全连接层  —  一个边界框回归层（reg）和一个边界框分类层（cls）。也就是说，计算每个像素的9个尺度下的值，每个点由256维特征转化为cls=2k scores和reg=4k coordinates是[x,y,w,h]4个偏移量。

2、Anchors：锚点

滑窗的中心在原像素空间的映射点即为Anchors。在每个滑动窗口位置，同时预测k个候选区域。reg层具有4k个输出（k个边界框的坐标ÿ