Faster R-CNN实时目标检测-优快云博客

本文链接：https://blog.youkuaiyun.com/wwwsssZheRen/article/details/105256514

一、简介

目标检测R-CNN与Fast R-CNN没能摆脱传统候选区域算法Selective Search的限制。Selective Search算法进行候选区域的确定正是导致这些算法耗时，从而无法实现实时检测的主要原因。为了解决候选区域提取这一个瓶颈，任少卿等人在2016年提出了Faster R-CNN，论文名字”Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”。

Faster R-CNN主要包括两个模块：

1）一个是深度全卷积网络RPN，该网络用来产生候选区域；

2）另一个是Fast R-CNN检测器，使用RPN网络产生的候选区域进行分类与边框回归计算。

整个系统共享卷积特征图，即此特征图既作为RPN网络的输入也作为Fast R-CNN的输入，是一个统一的用来进行物体检测的网络，如下图所示。可以简单理解Faster R-CNN为RPN和Fast R-CNN的结合，通过RPN代替Selective Search提取候选区域，加快了运行速度。

二、RPN网络

一个RPN网络的输入是任意一张图片，输出是一系列矩形object proposal，每一个object proposal带着一个评分值objectness score。我们用一个全卷积网络对这一个过程进行建模。

使用3*3的filter对feature map进行卷积，目的是使提取出来的feature更鲁棒。注意：CNN提取出来的feature map在这里是对每一张image的每一个像素点来说都是256-dimension的，因为CNN最后一层使用了256个filter。一个完整的RPN网络如下图所示。