fastRCNN

VOC 数据集 ：
链接：https://pan.baidu.com/s/1oLInUqj8gIp1nn6ahISwOA
提取码：ryfs
复制这段内容后打开百度网盘手机App，操作更方便哦

anchors


遍历Conv layers计算获得的feature maps，为每一个点都配备这9种anchors作为初始的检测框

那么Anchor一共有多少个？
(12996, 4)
38 *38 *9=12996

实际上通过anchors就引入了检测中常用到的多尺度方法。

Comment：其实RPN最终就是在原图尺度上，设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的foreground anchor，哪些是没目标的backgroud。所以，仅仅是个二分类而已！

显然这里面有一部分边缘anchors会超出图像边界，而真实中不会有超出图像的目标，所以会有clip anchor步骤

RPN

其实RPN最终就是在原图尺度上，设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的positive anchor，哪些是没目标的negative anchor。所以，仅仅是个二分类而已！

边框回归的训练过程

参考 ： https://blog.csdn.net/xiewenbo/article/details/78320796

smothl1损失函数

smooth L1损失函数曲线如下图9所示，作者这样设置的目的是想让loss对于离群点更加鲁棒，相比于L2损失函数，其对离群点、异常值（outlier）不敏感，可控制梯度的量级使训练时不容易跑飞。

ROI Pooling部分

ROI Pooling做了两件事：1、从feature maps中“抠出”proposals（大小、位置由RPN生成）区域；2、把“抠出”的区域pooling成固定长度的输出

解疑阶段

前景和背景交界地带的anchor不参与训练。这些交界地带即不作为前景也不作为背景，以防出现错误的分类。在作者原文里把IOU>0.7作为标注成前景的门限，把IOU<0.3作为标注成背景的门限，之间的值就不参与训练，IOU是anchor与ground truth的重叠区域占两者总覆盖区域的比例，见示意图4；

参考： 从结构、原理到实现，Faster R-CNN全解析（原创）
RCNN到Faster R-CNN笔记
一文读懂Faster RCNN

Keras搭建Faster-RCNN目标检测平台

使用labelimg进行目标检测数据集标注

windows下使用labelImg标注图像
链接：https://pan.baidu.com/s/1P_j-V2uiBJl9JEfSZGGimQ
提取码：avjq
注意下载过程中不要有中文