17、目标检测与图像增强分割技术解析

目标检测与图像增强分割技术解析

1. Faster R - CNN训练详解

1.1 Faster R - CNN架构与训练挑战

Faster R - CNN具有独特架构，无法像常规CNN那样训练。若网络两部分分开训练，特征提取器的权重将无法共享。其完整架构能处理任意输入大小的图像。

1.2 区域提议网络（RPN）训练

• 输入与输出 ：RPN输入为图像，输出是感兴趣区域（RoIs）列表。每张图像有H × W × k个提议（H和W是特征图大小，k是锚框数量），此时不考虑物体类别。
• 采样技术 ：直接训练所有提议较困难，因图像多为背景，网络易学会总预测背景。故采用采样技术，构建256个真实锚框的小批量，其中128个为正样本（包含物体），128个为负样本（仅含背景）。若正样本少于128个，则使用所有正样本，其余用负样本填充。

1.3 RPN损失函数

RPN损失函数比YOLO简单，由两部分组成：
[L_{rpn}(p_i,p_i^ ,t_i,t_i^ )=\frac{1}{N_{cls}}\sum_{i}L_{cls}(p_i,p_i^ )+\lambda\frac{1}{N_{reg}}\sum_{i}p_i^ L_{reg}(t_i,t_i^ )]
各参数含义如下：
|参数|含义|
| ---- | ---- |
| (i) | 训练批次中锚框的索引 |
| (p_i) | 锚框为