Faster R-CNN
![在这里插入图片描述](https://img-blog.csdnimg.cn/121b6a0f7e6d46ba9dc43352e5f4db11.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBAemhTdW53,size_20,color_FFFFFF,t_70,g_se,x_16)
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:
- 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
- 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)
- 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
- 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