论文相关
论文发表在NIPS2015上
论文作者是Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun
论文连接Link
论文介绍
SPPnet和Fast R-CNN存在计算候选区域的瓶颈,为了解决候选区计算的问题,文章提出了RPN网络,这个网络与作为检测的Fast R-CNN网络共享卷积特征,使得计算候选区的运算代价几乎为零。
典型的区域候选方法有:选择性搜素方法和EdgeBoxes方法。然而这些方法耗费的时间都比较长。
作者在卷积网络原有的feature map上添加了一些卷积层,用来同时做区域边界回归和目标得分,构建了RPN网络。
网络结构
Faster R-CNN的网络结构如下图所示。
Faster R-CNN的模块由两部分构成:
第一部分是一个深度全卷积网络,用来选取候选区域。
第二部分是一个Fast R-CNN网络使用第一部分产生的候选区来做目标检测任务。
RPN的作用类似于attention,告诉Fast R-CNN应该关注图像的哪些区域。
训练网络所用的loss函数如下图所示
公式里的Lcls是关于目标和非目标的分类loss,Lreg是关于预测框和ground-truth框的回归loss。