RPN（Region Proposal Network）和 Anchor 理解

最新推荐文章于 2024-10-03 16:39:22 发布

梦星魂24

最新推荐文章于 2024-10-03 16:39:22 发布

阅读量1.4w

点赞数 21

分类专栏：记录文章标签： RPN Anchor

本文链接：https://blog.csdn.net/qq_35586657/article/details/97956189

版权

介绍

上一篇博客介绍了Fast RCNN中的ROI Pooling原理，网络只需一次特征提取过程，不同尺寸的候选框映射到feature map对应位置上，经过该结构后可变成相同大小的特征向量作为全连接层的输入。但是对于候选框的选取仍然保留了RCNN中的Selective Search策略，这显然限制了网络的速度，因此RPN（Region Proposal Network）被提出作为候选框的提取网络，在加速了检测过程的同时，RPN也可以很容易结合到Fast RCNN中，从而把物体检测整个流程融入到一个神经网络中成为一个整体，即Faster RCNN。

原理

Faster RCNN的整体流程如下图，其中RPN接收一个特征图作为输入，输出一系列目标物体出现可能性较高的候选框。在分析RPN原理之前，需要先介绍一下Anchor的概念。
在这里插入图片描述

Anchor

RPN的目标是代替Selective Search实现候选框的提取，目标检测的实质是对候选框的回归，而网络不可能自动生成任意大小的候选框，因此Anchor的主要意义就在于根据feature map在原图片上划分出很多大小、宽高比不相同的矩形框，RPN会对这些框进行一个粗略的分类和回归，选取一些微调过的包含前景的正类别框以及包含背景的负类别框，送入之后的网络结构参与训练。