小李的研究生学习日记

本文旨在详细解析Faster R-CNN的工作原理及其设计原理，帮助读者深入理解这一重要模型。Faster R-CNN是在Fast R-CNN的基础上进一步发展的，其核心贡献在于引入了RPN网络，实现了候选框（Region Proposal）的自动生成，从而替代了传统的Selective Search算法，大大提升了检测速度。Faster R-CNN通过共享卷积特征，将RPN和Fast R-CNN融合为一个端到端的网络，实现了更高效的训练和检测。

首先需要一个已经训练好的分类器，然后把图像按照一定间隔和不同的大小分成若干窗口，在这些窗口上执行分类器，如果得到较高的分类分数，就认为是检测到了物体。把每个窗口都用分类器执行一遍之后，再对得到的分数做一些后处理如非极大值抑制(Non-Maximum Suppression, NMS)等，最后就得到了物体类别和对应区域，其方法示意图如图所示。滑窗法相当于对一张图像上的子区域进行类似穷举式的搜索， 一般情况下这种低效率搜索到的区域里大部分都是没有任何物体的。