目标检测算法Faster R-CNN论文解读

最新推荐文章于 2025-06-08 16:49:18 发布

纸上得来终觉浅～

最新推荐文章于 2025-06-08 16:49:18 发布

阅读量1.9k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： paper阅读图像处理文章标签： Faster RCNN

本文链接：https://blog.youkuaiyun.com/qq_32172681/article/details/99290543

论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

论文地址：https://arxiv.org/abs/1506.01497

代码地址：https://github.com/endernewton/tf-faster-rcnn 或者

https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3

Faster R-CNN可以解决Fast RCNN使用第三方工具selective search提取region proposal的问题，它用RPN代替selective search，将整个目标检测功能做成一个统一的网络。Faster RCNN运用RPN，使得region proposal的计算更加elegant和efficient，RPN是一个全卷积网络，候选区域生成和目标检测共享卷积特征，并且运用了attention机制，RPN会告诉网络应该关注什么地方。

一、对论文的解读

1、RPN（region proposal network），区域生成网络

RPN是faster rcnn的核心，它的本质是基于滑窗的无类别obejct检测器，图像每个位置有多种类型的anchor boxes（region proposal），用这些region proposal 训练 faster rcnn，分类和框回归通过梯度下降反向传播调节网络参数，重新生成region proposal，再继续训练faster rcnn，不断重复这个过程。

详细内容可以参考：https://blog.youkuaiyun.com/qq_32172681/article/details/99104310

2、Faster RCNN

Faster RCNN分为3个模块：第1个模块是提取图像的公共特征网络，第2个模块是深度全卷积神经网络用来生成region proposals，第3个模块是利用这些生成的region proposals做Fast RCNN目标检测器。整个系统是一个统一的网络，并采用了attention机制，RPN模块会告诉Fast RCNN模块注意力应该在什么地方。

（1）把RPN看作一个黑盒，它输入一张任意size的图像，输出一系列矩形region proposals和每个region proposals的score。

（2）采用全卷积神经网络

（3）为了共享计算，让候选框生成网络和目标检测网络共享一系列卷积层。如VGG16，共享13个卷积层。

（4）为了生成region proposals，在卷积层的最后一个卷积层的feature map输出上，加上了一个小型网络。这个小网络输入n*n 窗口到feature map中，每个滑动窗口映射到一个低维特征，这个特征喂入到2个并行全连接层：1个框回归层reg和一个分类层cls。论文中n=3，但是输入图像的感受野很大，比如VGG是228 pixels。由于mini-network是通过滑动窗口操作的，所以对于所有的空间位置，全连接层参数也是共享的。

3、Anchors

anchor就是feature map上的一个像素，以该anchor为中心，可以生成k种anchor boxes（region proposal），每个anchor boxes有着不同的宽高比和缩放比，论文中使用的3种宽高比是（1:2，1:1，2:1），3种缩放比是（128，256，512），因此每个anchor产生9个anchor boxes。