Faster RCNN学习笔记

Faster RCNN学习笔记

Faster R-CNN

传统目标检测算法：
区域选择（滑动窗口）->提取特征（HOG） ->分类（SVM、Adaboost)->后处理(NMS)
** 实现端到端操作：以前有一些数据处理系统或者学习系统，它们需要多个阶段的处理。那么端到端深度学习就是忽略所有这些不同的阶段，用单个神经网络代替它**
候选区域（proposal region):每个AiBj所代表的矩形框，也称为感兴趣区域（ROI)
RCNN深度学习方法提取特征：
区域选择（滑动窗口）->提取特征（HOG） ->分类（SVM、Adaboost)
Faster RCNN可分成三部：
1、backbone:共享基础卷积层，用于提取整张像素的特征。
2、RPN：候选检测框生成网络（region proposal networks)
涉及知识点：anchor、NMS
3、ROI pooling和分类网络：对候选检测框进行分类，并且再次调价候选框坐标，输出检测结果。
涉及知识点：ROI：感兴趣区域提取、NMS
Fast->Faster

Anchor(描框）：预先设定好比例的一组候选框集合、滑动窗口提取。

Anchor-based方法：
两阶段：先产生候选框再在候选框中选择阈值最大的
（1）先使用anchor回归候选目标框，划分前景和背景。
（2）使用候选目标框进行进一步回归和分类，输出最终目标框和对应的类别。

单阶段：直接对anchor回归和分类最终目标框架和类别

anchor-free方法：不用使用预先设定的anchor，通常采用中心点或者角点
RPN（region proposal networks)网络结构
训练策略：
1、向RNP网络输入监督信息，判断是否包含物体
2、根据anchor和真实框IOU取值，判断正负样本
3、采样规则：