基于改进faster-rcnn的舰船目标检测与识别（阅读笔记）

一、模型创新点
模型改进：rpn网络部分加入了K-means聚类算法，对框的大小聚类，并输入rpn网络

二、faster-rcnn特点
1.1区域建议网络
1、传统的区域建议框选择
方法：selective search
局限性：产生的建议框有相互叠加的，增加了计算量

2、faste-rcnn
方法：rpn（region proposal network）
原理：卷积后提取的特征图与原图位置相对应，将feature maps作为rpn网络的输入，并在每一张特征图每个元素上产生9个大小不同的anchors box，
模型特点：共有两个卷积网络
（1）一个是11卷积核18维的卷积运算，判断该anchors
box是否是前景图像
（2）一个是11卷积核36维运算，得到该anchor相对于
原图的ground truth的相对坐标

1.2感兴趣区域池化（roi pooling）
将候选区域映射到特征图上，将每一块按照水平和垂直分为7份，将每个块按照最大池化法处理，输出7x7的大小，实现固定大小输出。

1.3分类
分类部分得到的特征向量，经过全连接和softmax进行计 算 和 分 类，看每一个区域属于哪一个种类，并且输出属于这个种类的概率为 多 少．然后再次通过边框回归，得 到 这 个 区 域 与 真 实的 ＧＴ位置的偏移量，用于之后的回归，使得目标检测框更加接近真实位置．

1.4非极大值抑制
作用：在经过分类后，每个类别的周围会有多个候选框出现，他们之间有一定的重合，所以通过该方法解决这个问题

步骤：1、将所有框的得分排序，选出得分最高的框
2、对剩下的框进行遍历，同时设定一个阙值，其他的框和
这个得分最高的框的iou值大于这个阙值，则删除
3、再从剩余的框里重复1和2
三、文章创新点