Faster RCNN目标检测算法解析

作者：来自读者投稿

来源：Python数据之道

Faster RCNN 目标检测算法解析

随着大数据时代的到来和计算机视觉的发展，近几年来目标检测领域取得了突破性的进展。

目标检测的问题就是分类和定位一张图片中的多个物体，早期的算法有RCNN、Fast R-CNN等，但这些算法在产生区域建议的问题上时间消耗都很大。因此对于目标检测问题推荐采用Faster R-CNN算法，它是从提高区域建议的速度出发，引入了区域建议网络(RPN)去推测目标位置，解决了区域建议计算的瓶颈问题。

文章的最后会以检测汽车为例说明Faster R-CNN检测的全过程。

传统的物体识别方法是直接使用卷积神经网络，通过分类或者回归的方法进行物体的识别。

回归是用来判定目标的具体位置，但由于卷积神经网络是需要固定输出的值（由于全连接层的存在），对于多目标的情况就无法通过回归进行；分类是用于确定目标的种类，通过滑动窗口对图像进行滑动，确定每一个窗口是否属于目标，但这个方法非常费时，根本无法达到实时检测。

于是后来就提出了Region Proposal（区域建议）的方法，用于改进直接使用CNN的缺点，即事先给定一些候选窗口，在这些候选框中进行检测。Region Proposal是一类算法的统称，它们都是在卷积神经网络的基础上进行的。

在目标检测领域中，基于区域建议的卷积神经网络的发展是非常迅速的。Faster R-CNN算法在2015年COCO（常见物体图像识别）检测大赛一举夺冠，并且在PASCAL VOC 2007和PASCAL VOC 2012上实现了目前最高的目标检测准确率。

现如今，Faster R-CNN不仅用于物体的检测，还可以用于许多商业的领域，如服装检测，人脸识别等，已经成为了通用的检测框架。

上图是Faster R-CNN的整体网络结构，它将特征抽取，区域建议，边界回归和分类都整合在一个网络中，真正实现了end-to-end。使其综合性能有了较大提高。

对于Faster RCNN算法&#