深度学习目标检测——faster R-CNN 原理理解（自己绘制流程图帮助理解）

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