Faster R-CNN

之前的都是用区域建议算法来产生候选框，还是挺耗时间的，所以Faster R-CNN使用CNN来产生候选框。

Faster-R-CNN算法由两大模块组成：

1.RPN候选框提取模块；

2.Fast R-CNN检测模块。

其中，RPN是全卷积神经网络，用于提取候选框；Fast R-CNN基于RPN提取的proposal检测并识别proposal中的目标。

思路：

1、输入图像，将图像固定最小边为600的大小（保证图像不发生变形）；

2、经过一个训练好的网络，比如VGG等，得到特征图；

3、两条路：（1）输入到RPN网络中，（2）输入到ROI Pooling层中用于将anchor映射到原图中。

4、ROI

根据映射关系，提取框里的图像（在原图中），然后图像切分为7*7的小块，每一个小块使用max pooling，那么最后输出大小就是7*7，这样就统一了输入大小不一致得问题。

5、分类和回归网络。

损失函数：

i 是每个小批量中锚点的序号；

p是锚点i是目标的概率

p*是标签（只能是0或1），

t是预测框的4个参数，

t*是标定框的参数

L_cls是分类损失函数，

L_reg是回归损失函数

p^*_i*L_reg表示回归只对正样本进行（负样本p^*_i=0）。

cls和reg分别输出p_i和t_i。

这两部分由N_cls（小批量的大小决定，这里是256）和N_reg（锚点位置数量决定，这里是2400）进行规范化，并通过一个平衡参数λ进行加权。

默认情况下，我们设置=10，因此cls和reg部分的权重大致相同。我们通过实验证明，结果对在大范围内λ的值不敏感。我们还注意到，上面的标准化是不需要的，可以被简化。

训练

1、预训练VGG，生成特征图

2、训练RPN

3、训练分类回归网络

评价：

评价准则：指定 IoU 阈值对应的 Mean Average Precision (mAP)，如 mAP@0.5.