【深度学习模型】了解一下Faster RCNN

最新推荐文章于 2025-10-02 15:12:02 发布

原创

最新推荐文章于 2025-10-02 15:12:02 发布 · 1.7k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #目标检测 #计算机视觉

Faster R-CNN是目标检测领域的重要进展，它结合了RPN（Region Proposal Network）和RoIPooling，实现了目标检测的端到端训练。RPN通过softmax分类和bounding box regression生成region proposals，RoIPooling则将不同尺寸的proposals转换为固定大小，供后续全连接层进行分类和进一步的bounding box regression。整个网络经过两次交替训练，显著提高了检测速度和精度。

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

前言

Faster RCNN 由论文提出，是继R-CNN和Fast RCNN之后的目标检测上的又一力作。
R-CNN提出selective search(SS)来搜索region proposal(RP)；
Fast RCNN指出不必对每个RP各自提CNN特征，可以对原图提好CNN特征，再将SS找到的RP映射到CNN特征层上；
Faster RCNN则提出了RPN层，将特征提取，proposal提取，bounding box整合在了一个网络中，极大地提高了检测速度。

1. 框架与流程

Faster RCNN的模型框架如图。
在这里插入图片描述

可以分为4个主要内容：

Conv layers。作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。
Region Proposal Networks。RPN网络用于生成region proposals。该层通过softmax判断anchors属于positive或者negative，再利用bounding box regression修正anchors获得精确的proposals。
Roi Pooling。该层收集输入的feature maps和proposals，综合这些信息后提取proposal feature maps，送入后续全连接层判定目标类别。
Classification。利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。

完整的网络图如下。
在这里插入图片描述

该网络对于一副任意大小PxQ的图像，首先缩放至固定大小MxN，然后将MxN图像送入网络；
Conv layers中包含了13个conv层+13个relu层+4个pooling层；
RPN网络首先经过3x3卷积，再分别生成positive anchors和对应bounding box regression偏移量，然后计算出proposals；
Roi Pooling层则利用proposals从feature maps中提取proposal feature送入后续全连接和softmax网络作classification。