Faster R-CNN的训练过程的理解

最新推荐文章于 2022-09-13 22:14:27 发布

hotgarlicwang

最新推荐文章于 2022-09-13 22:14:27 发布

阅读量2.3w

点赞数 32

文章标签：算法

本文链接：https://blog.csdn.net/weixin_40449426/article/details/78141635

版权

本文介绍了Faster R-CNN的训练过程，包括RPN网络和Fast R-CNN网络的逐步训练与模型更新。首先，用预训练模型初始化RPN，训练后更新模型和RPN的特有部分。接着，相同模型初始化Fast R-CNN，使用训练好的RPN计算提案并训练Fast R-CNN。最后，进行两次微调，分别针对RPN和Fast R-CNN，形成统一网络。

摘要由CSDN通过智能技术生成

我才刚刚学习Faster R-CNN，看了好多博客，觉得对知识点讲的很好，但是顺序不对，应该首先讲解总的框架，然后再讲解内部的细节，所以我就自己写了一篇，请大家指正。

Faster R-CNN，可以大致分为两个部分，一个是RPN网络，另一个是Fast R-CNN网络，前者是一种候选框（proposal）的推荐算法，而后者则是在此基础上对框的位置和框内的物体的类别进行细致计算。

不管是RPN还是Fast R-CNN网络，其网络结构一部分来自于pre-trained model的卷积层（下文简称model），另一部分则是他们各自特有的结构（有卷积和FC，下文简称unique）。
这里，我主要讲的就是训练过程。

第一步：用model初始化RPN网络，然后训练RPN，在训练后，model以及RPN的unique会被更新。

第二步：用model初始化Fast-rcnn网络，注意这个model和第一步一样。然后使用训练过的RPN来计算proposal，再将proposal给予Fast-rcnn网络。接着训练Fast-rcnn。训练完以后，model以及Fast-rcnn的unique都会被更新。
说明：第一和第二步，用同样的model初始化RPN网络和Fast-rcnn网络，然后各自独立地进行训练，所以训练后，各自对model的更新一定是不一样的（论文中的different ways），因此就意