0. 写作目的
好记性不如烂笔头。
1. 框架的理解
faster R-CNN = RPN + fast R-CNN
1.1 RPN的理解
网络的组成: (这里只是给出一个网络的整体流程,可能与faster R-CNN论文的参数不同)
注意: 上图可能与论文中的图不同,论文中的图是这样的。论文也给出了解释,理解上——对于每一个sliding window 通过3 * 3的卷积输出512(VGG16)或者256(ZF-Net)的特征,然后将这个特征分别映射到分类(2 * k,k为anchor数目)和坐标(4 * k)。不过由于是共用参数,所以可以写成上面的图中的形式。
特征提取: VGG16 或者 ResNet101进行特征的提取。以VGG16为例,只采用了4个max pooling层,即下采样16倍,得到第五次max pooling 之前的feature map(512个channel)。
降维: 添加一个3 * 3 的conv层降低feature map的维度, 对于ZF-Net降维256channel,对于VGG16变成5