Faster R-CNN

朝着实时目标检测器迈进的区域监测网络

ssd（实现了实时检测）是借鉴faster-RCNN :高级特征图上利用anchor选择建议区域，进行分类回归；ssd无全连接，faster-RCNN有全连接。

目标检测回顾

原始图像（low-level）
高级特征（high-level）进行图像分类效果好

1、对比RCNN、Faster-RCNN：

(1) RCNN：在原始图像提取框，精度低
(2) Faster-RCNN:在高级特征图做区域建议，使分类精度和边框回归更精确

2、对比RCNN（0.07帧/s）、Fast-RCNN（0.5帧/s）：

(1) Fast-RCNN使用ROI池化增速，其余与RCNN相同
(2) Fast-RCNN过程：在原图进行区域建议框搜索（Selective Search ），将框放入CNN中，（池化用ROI），输出

3、对比Fast-RCNN(end-to-end：输入原图，输出坐标值(one-stage一步法))、Faster-RCNN：

(1) Faster-RCNN(Fast+RPN)：保留Fast-RCNN的框架，加入RPN。
(2) 改进：
a. 取消了在原图上SS，在高级特征图区域建议，使分类数量减少。
b. 增加RPN

4、 ROI池化（下采样）：简化版SPPNet（空间金字塔池化）

稳定性高（鲁棒性），保留原图信息

5、 对比RPN、Selective Search

RPN：在featuremap提取区域建议
Selective Search：在原图提取区域建议

6、计算公式

RCNN+SPPNet(ROI池化) = Fast-RCNN
Fast-RCNN+RPN-SS = Faster-RCNN
RCNN+SPPNet(ROI池化)+RPN-SS = Faster-RCNN

SPP-Net和Faster—RCNN简介

1、为什么提出 SPP-Net

R-CNN图片输入尺寸必须固定，会造成图片信息丢失或扭曲

SPP-Net目的：输入任何储存图片，保留图片原始信息，并且保证conv layer输出和fc-layer输入的神经元个数相等
SPP-Net核心：
1、保证任意尺寸输入
2、保证小物体的检测效果

2、RPN？？？？？？？？？？？？

Faster-RCNN研究背景

前期知识储备

目标检测三阶段：

1、区域建议：原图SS、特征图上做
2、特征提取：VGG ResNet AlexNet
3、分类回归：损失函数构造（预测坐标点、预测坐标点相对偏移量）

Faster-RCNN

1、论文框架

2、Faster-RCNN核心算法

3、论文提出的改进后的模型

4、实验和结果

5、总结讨论