Faster R-CNN

1 Faster R-CNN的改进

RPN实际上是Faster R-CNN中的一个小的神经网络，通过这个网络来生成候选区域框ROI；

集成Region Proposal Network(RPN)网络:

 

  1 Faster R-CNN = Fast R-CNN + RPN

  2 使用 RPN 网络取代 Selective Search 模块 解决Fast R-CNN的性能瓶颈

  3 候选框生成网络RPN和检测网络Fast R-CNN 共享卷积层计算

  4 Region proposals量少质优(~300)

          利用NMS去除低质量的候选框

          高precision、高recall        

2 RPN理解

1 对比Fast R-CNN

Fast R-CNN:

结构简单理解：基于给定的候选框，通过一个深度学习网络，判断这个候选框里面是否有物体以及对应物体的类型信息(分类分支)；如果有确定的类别物体，那么该候选框和真实边框之间的偏移信息(回归分支)

候选框使用算法SS生成 ；而且每个候选框大小不定，所以需要使用RoI池化； 结果输出就是最终预测边框；

RPN:

结构简单理解：基于给定的初始框/Anchor Box，通过一个深度学习网络，判断这个初始框里面是否有物体(分类分支)；如果有物体，那么该初始框和真实边框之间的偏移信息(回归分支)

初始框使用规则方式生成 ；