Faster RCNN

概述

• 在Faster R-CNN中加入一个提取边缘的神经网络，也就说找候选框的工作也交给神经网络来做了。这样，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）被统一到一个深度网络框架

原理

• 输入NxN的图像大小经过conv+relu+pooling卷积网络输出特征图Feature map，该feature map被共享用于后续RPN层和全连接层
• 利用rpn产生anchor bbox(anchor)，该层通过softmax判断anchors属于positive或者negative，并使用bounding box regression修正anchors获得精确的proposals。
• 将RPN网络产生的anchor bbox(anchor)和在基础卷积产生的Feature map通过Roi Pooling 映射输出例如2X2的大小 ，
• 接着输出proposal的类别，再次使用bounding box regression获得检测框最终的精确位置

网络结构

• Region Proposal Networks
  
  RPN作用：在基础卷积得到的feature maps相当映射滑动窗口，滑动窗口为每一个像素都配备这9种不同比例的anchors作为初始的检测框。也就是每一个滑动窗口的位置，同时预测9个区域建议，同时输出每个建议框是目标/非目标的估计概率，这样做获得检测框很不准确，所以在网络架构中有bounding box regression可以修正检测框位置

优缺点

• 优点：提出RPN网络
• 缺点：小目标检测效果不好