faster_rcnn学习

RPN具体详解：

右边是RPN的结构，使用滑动窗口在特征图上滑动，每滑动到一个位置上，会生成1个一维的向量，（256_d 是 backbone的输出通道数(此处所用网络ZF，若用VGG16，就变成512-d)），在此向量上，分别通过两个全连接层，目标概率(cls layer)和边界框回归参数。

2k是针对k个anchor box,是针对每个anchor生成的2个概率，一个是背景的概率，一个是前景的概率，针对每个anchor都会生成4个边界框回归参数。

anchor是怎样生成的嫩？

首先找出特征图上对应在原图上的点，如何find？将原图的X/特征图的x=stride1，同理原图Y/y=stride2，eg：特征图上那个黑的方块x=3,y=3,映射回原图上X=x*stride1，同理，Y=y*stride2,

之后将映射回到原图上的点为中心，画出k个anchor box.

有关2k,4k的使用：

cls  2个一组， 第一组：背景概率|前景概率=0.1|0.9

reg 4个一组 对应生成的预测框的中心点坐标及长宽

关于3*3滑动窗口在特征图上感受野的问题：

 anchor面积共有三种，对应长宽比也有3种，如右图圆圈，对应anchor面积128*128，有三种形状的的anchor. 而当使用VGG时，它的感受野只有228，那当anchor面积512*512时，他怎么预测呢？论文指出当人眼看到物体一部分时，也能识别物体，这里就是这个道理。

（补充：感受野定义及计算：

    感受野：CNN每一层输出的特征图上的像素点映射回原始图像上的图像大小。

 损失计算：

RPN损失=分类损失+边界框回归损失

分类损失：使用二值交叉熵损失，对每个anchor对应的cls计算损失（不是按一组组计算喔）

zuuz

边界框回归损失： 

 Fast损失=分类损失+边界框回归损失

 由上图可见，分类损失也是采用多类别交叉熵损失的。

存在问题：

1.对小目标检测不友好

  只是在一个特征层上进行预测的，而此特征层经过多重卷积，featuremap被抽象到一个比较高的层次，细节信息丢失了很多，而小目标检测正需要比较多的细节信息。

2.模型大，检测速度慢

  two-stage检测网络通病