目标检测系列文章之Faster R-CNN【2015】

英文原文链接: link.
前言：KaimingHe大神组2015年NIPS上的经典paper《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》

基本思想

一脉相承的rnn未摆脱传统候选区域算法(如Selective Search)的限制，所以诞生了Faster R-CNN

Faster R-CNN = RPN（产生快速候选区域）+Fast R-CNN检测器（分类与边框回归）
共享卷积特征图 = RPN网络的输入 = Fast R-CNN的输入

RPN=FCN =
1输入一张图像WH，有WH个anchor
以下为每个anchor：
2卷积成256-d
3.1全连接层1输出k个候选框/每个anchor（x,y,w,h,k）【9个基准矩形框={128128, 256256, 512512}{1:1, 1:2, 2:1}】
3.2 全连接层2输出分数（P前景,P背景,k）
损失函数：多任务=类别置信度和修正参数

Fast R-CNN检测器=分类回归网络=输入：特征图+RPN候选区域 输出：候选区域类别的置信度和修正参数【参照前面fast】
后处理：SVM

训练

细节：
1 RPN：ImageNet+fine tune
2 Fast R-CNN检测器：利用1中的RPN前向roi ，训练更新整个检测器
训练集：正样本 = Ground turth与anchor的ROI大于0.7；负样本 = Ground turth与anchor的ROI小于0.3（剩余不用）
3 Fast R-CNN检测器的共享卷积特征图更新后，RPN实际上也更新了，冻结共享卷积，只训练RPN的全连接层
4 新的RPN前向roi，只训练Fast R-CNN网络特有的全连接层。