Faster R-CNN简述（目标检测篇）

文章是对博主视频讲解的一些总结。
博主链接：https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.5509

1 faster RCNN

同样也是出自作者RossGirshick之手，同样backbone也是VGG16Net，主要目的就是优化之前的fast R-CNN，用RPN算法替代SS算法用来生成候选框。

1.1 fast r-cnn和faster r-cnn的区别

2 算法流程

RPN + Fast R-CNN

faster r-cnn算法流程可分为3个步骤：

1. 将图像输入网络得到相应的特征图
2. 使用RPN算法生成候选框，将得到的候选框投影到特征图上获得相应的特征矩阵
   3.将单独的特征矩阵由ROI Pooling层缩放到7x7大小的特征图，接着fatten成向量经过几层FC，得到预测结果

3.网络训练的步骤

采用RPN Loss + Fast R-CNN Loss的联合训练方法。

• 1.利用imageNet预训练分类模型初始化前置卷积卷积网络层参数，并开始单独训练RPN网络参数。
• 2.固定RPN网络独有的卷积层以及全连接层参数，再利用imageNet预训练分类模型初始化前置卷积参数，并利用RPN网络生成的目标建议框去训练fast R-CNN网络参数。
• 3.固定利用Fast r-cnn训练好的前置卷积网络层参数，去微调RPN网络独有的卷积层以及全连接参数。
• 4.同样保持固定前置卷积网络参数，去微调fast R-Cnn网络的全连接层参数。最后RPN网络共享与Fast RCNN网络共享前置卷积网络层参数，构成一个统一网络。