本文是作者对Faster R-CNN中Anchor机制的学习笔记，详细解释了从RCNN到Faster R-CNN的演进，特别是Faster R-CNN中Region Proposal Network如何通过Anchor生成提案。在Feature Maps上进行3*3卷积，结合不同比例和尺度产生9种Anchor Box，并通过分类和回归层确定其前景/背景概率及位置信息。
第一篇学习记录博客。
主要写一下自己对Faster rcnn中anchor机制的理解，便于以后查阅。
因为最近在看cvpr2019的anchor-free的FSAF，核心即anchor，对这个理解不透彻，所以回来搞搞清楚。
水平有限，有什么错误，希望大家指正。
一、Rcnn→Fast Rcnn→Faster Rcnn
RCNN：用Selective Search 方法直接在图像上画框框（region proposal：理解为区域提名，就是提名这个框框里可能有目标），然后对每个框框内的图像提取特征，再把特征送入SVM分类器进行分类（看看这个框框里的目标是哪一类），再使用回归器对这个框框的位置进行修正。
Fast RCNN：嫌弃RCNN太慢太慢了，每个框框都提一遍特征，但是很多框框有重叠啊！这样就等于做了很多重复计算。那对整个图像提完特征再在特征图上画框框岂不是更好？于是在SSPNet上改进，做了classification和regression，端到端进行训练。但是画框框（proposal）还是用Selective Search方法。
Faster RCNN：就是把proposal的过程也交给了CNN！也就是Region Proposal Network（RPN）
二、Faster Rcnn
image→conv layers→feature maps
feature maps送入RPN
那么RPN如何产生proposal呢？
看下面这张图
最低0.47元/天 解锁文章
扫一扫
5923
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
