Object Detection（三）Faster R-CNN

之前介绍了R-CNN，Fast R-CNN,这是本系列的第三篇 Faster R-CNN

---

在上一篇介绍Fast R-CNN的blog中介绍了，Fast R-CNN 对整张图像提特征，再使用RoI Pooling根据proposal从全图的feature map中提取相同大小的特征。替代了R-CNN中上千次的前向运算，提高了模型的运行速度。但是，由于Fast R-CNN region proposal提取使用的selective search，消耗了整个目标检测的大量时间。于是Faster R-CNN应运而生。

---

Faster R-CNN

Faster R-CNN主要有两个贡献：

• 提出区域建议网络RPN，替代selective search快速生成proposal region
• 通过交替训练，使RPN和Fast-RCNN网络共享参数。

先来看看Faster R-CNN的结构

输入图像通过卷积神经网络提取特征得到feature map，然后这个feature map有两个branch，先说第一个branch送到Region Proposal Network(RPN)来生成提议区域，这样做使得生成提议区域的时间从2s缩减到10ms。
在前一篇Fast R-CNN中提到，用卷积神经网络对整张图像提取特征，然后再这些特征中使用RoI Pool