Faster R-CNN算法详解

论文背景

论文名称：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks（简称：Faster R-CNN）
论文链接：https://arxiv.org/abs/1506.01497
论文日期：2016.1.6

选区域的提取一直是一个瓶颈。在Faster R-CNN中我们提出了一个region proposal network（RPN）,同时预测物体的框并且进行打分，是一个端到端（end to end）的候选区域提取的算法，结合了RPN和Fast RCNN算法，使之变成一个共享卷积参数的单一神经网络。

目前的先进的目标检测算法都由成功的区域提取算法和卷积神经网络驱动，以往的候选区域提取是耗费大量时间的，一般都是有selective search算法来实现，虽然在SPP-Net和fast rcnn中通过共享卷积参数在检测上实现了很大的速度进步，但是提取候选区域仍然耗费大量时间，EdgeBoxes算法在精度和速度上有了很大提升，但是每张照片仍需要0.2s。

用来加速检测的方法有两个：

1. 使用GPU进行训练；
2. 使用RPN神经网络，与卷积神经网络共享参数，每张照片10ms；

算法详情

RPN