目标检测值Fast-RCNN

一、Two-Stage
这是一种Proposal-based的方法，需要先使用启发式方法，（selective search）或者CNN网络（RPN）产生RegionProposal然后再在Region Proposal上做分类和回归。

1，R-CNN
2，Fast R-CNN
3，Faster R-CNN
4，Mask R-CNN

二、One-Stage

YOLO系列
SSD
RetinaNet

Faster RCNN简介

Faster RCNN是Fast RCNN的优化版本，二者主要的不同在于感兴趣区域的生成方法，Fast RCNN使用的是选择性搜索，而Faster RCNN用的是Region Proposal网络（RPN）。RPN将图像特征映射作为输入，生成一系列object proposals，每个都带有相应的分数。

• 输入图像到卷积网络中，生成该图像的特征映射。
• 在特征映射上应用Region Proposal Network，返回object proposals和相应分数。
• 应用Rol池化层，将所有proposals修正到同样尺寸。
• 最后，将proposals传递到完全连接层，生成目标物体的边界框。
  
  那么Region Proposal Network具体是如何工作的呢？首先，将CNN中得来的特征映射输入到Faster RCNN中，然后将其传递到Region Proposal Network中。RPN会在这些特征映射上使用一个滑动窗口，每个窗口会生成具有不同形状和尺寸的k个anchor box：
  
  Anchor boxes是固定尺寸的边界框，它们有不同的形状和大小。对每个anchor，RPN都会预测两点：
• 首先是anchor就是目标物体的概率（不考虑类别）
• 第二个就是anchor经过调整能更合适目标物体的边界框回归量

现在我们有了不同形状、尺寸的边界框，将它们传递到Rol池化层中。经过RPN的处理，proposals可能没有所述的类别。我们可以对每个proposal进行切割，让它们都含有目标物体。这就是Rol池化层的作用。它为每个anchor提取固定尺寸的特征映射：

之后，这些特征映射会传递到完全连接层，对目标进行分类并预测边界框。