Faster R-CNN

Faster R-CNN

Key Knowledgeable：

网络框架大致与Fast R-CNN相似，就是通过将RPN加入网络框架中使得不需要提前通过SS选择Region Proposals作为输入。后续的ROIPooling、FC、Multi-task都与Fast R-CNN一致。
RPN:

1. 在CNN提取的特征图上不断滑动出n×n的窗口，对于每一个窗口进行压缩
2. 对当前窗口的x,y,w,h回归出k个anchor，每个anchor包含两个信息：2个二分类（即是否为目标）得分和4个编码过后的位置信息（tx,ty,tw,th)
3. Proposal部分做bounding box regression使anchor更接近ground truth，变换出各个候选框的坐标信息，对positive与negative框各选取一半(128+128)，输出Region Proposals
4. 损失函数（加权分类、回归损失）：
   
   

Contrast vs Fast R-CNN:

• 使用RPN(Region Proposal Network)代替原来的Selective Search方法产生建议窗口，使得训练真正意义上达到end-to-end。并结合置信度排序、NMS、越界过滤、随机选取等手段减少Region Proposal，加快训练与测试速度。
• 生成Region Proposal的CNN和Object Detect的CNN权重参数共享，加快训练