深度学习图像目标检测综述（二）

Faster-RCNN

论文链接：https://arxiv.org/abs/1506.01497
作者信息：Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun
检测模型经历了RCNN----Fast RCNN的变迁，通过联合交叉熵loss和均方误差loss进行统一训练的方式提高模型收敛速度，增加目标检测的准确度。但是候选框的提议仍基于selective-search这种比较原始的方式。
Fster-RCNN最大亮点，是提出了RPN（Region Propoal Net）。RPN提出Feature map的anchor（锚点）概念，其认为在经过卷积核卷积过后的feature map上的每个像素点，拥有相对于图像像素更大的感受野。基于feature map中的每个锚点，RPN通过自学习的方式，学习该锚点在反向映射到原图的区域位置。

Faster-RCNN的训练过程分为：
1.训练RPN
2.基于RPN的区域提议，训练Fast-RCNN
3.用Fast-RCNN初始化RPN，之后冻结共享层，微调RPN独有层
4.冻结RPN，微调Fast-RCNN参数

Faster-RCNN模型架构如图所示：