Faster R-CNN Keras版源码史上最详细解读系列之简单介绍

前言

前面有写过一些RCNN系列的文章，毕竟光看源码，其实理解不深，很多的细节原理还得看代码，你会发现里面有很多设计的技巧，能更好的体会这个算法的思想。

最近在看Faster R-CNN Keras版源码，也看了一下资料，希望可以比较完整的来解读下这个源码，网上也有一些文章解读，但是大多的还是比较粗略的，也只能对其略知一二，因为你看源码你会发现比想象的复杂，可能因为我的水平不够吧，哈哈。

没关系，我通过仔细分析源码来对这个算法进行一个全方位的理解，包括数据怎么准备，特征网络VGG怎么用，RPN网络的细节，ROI层做了什么，最后的分类和回归是怎么做的，IOU是什么，非极大抑制是什么等等，包括代码中一些多维数组的维度意义是什么，为什么要这么设计，有什么好处，这样对以后自己用这个算法做其他项目提高一个基础，不然可能都不知道怎么改，一些基础会了之后，后面yolo和ssd算法学起来也更加容易点。

因为可能讲的比较细，所以篇幅会多一点，不过也是结合网上的一些资料加上自己的一些理解，可能大神觉得low了，没关系，我是为入门的服务的，大神提点建议，指点就行了，谢谢。

Faster R-CNN 简单介绍

Faster R-CNN这个的论文希望大家了解下，从R-CNN发展FastR-CNN再到Faster R-CNN，有了哪些改进，为什么要这么改，最好有个印象。

Faster R-CNN主要还是提出了RPN层，就是解决选取候选框效率低的问题，希望候选框能进行粗略的分类和回归，以便于后续进行有效的预测框选取，最后进行预测和回归。

先看来看这个算法的基本结构吧，大致画了个图，基本上代码分几个部分，第一是图片数据的预处理，你的数据可能是voc格式的，可能是简易的格式，这个后面说详细说道。第二是做图片的特征提取。第三个是RPN网络进行第一次是否是背景的分类和计算回归梯度。第四就是将特征图，图片信息，分类和回归信息给ROI层，其实也就是个方法，让他去进行对于IOU的筛选，再进去非极大抑制，留下比较好的一些框。第五部就是把这些框再进行一次分类和回归：

第一篇就讲个大概，从后面开始慢慢解读每一部分，希望对入门者有所帮助，当然能力有限，也仅仅是自己的理解，提供个参考吧。

好了，今天就到这里了，希望对学习理解有帮助，大神看见勿喷，仅为自己的学习理解，能力有限，请多包涵。