标签：als 速度 towards bubuko function res 位置 简单 bat
Faster R-CNN是很经典的two-stage的目标检测方法，前面看了Selective Search以为在这里可以用到，但是作者在这篇文章里面没有采用Selective Search方法得到候选框，而是采用了Edge Boxes方法得到的候选框，好吧，再去看看这个方法到底快在哪里。Faster R-CNN分为两个过程，第一个过程是通过RPN网络得到候选框，第二个过程是利用Fast RCNN网络进行分类，普遍two-stage网络的准确度比one-stage的高，但是速度很慢。
faster rcnn 大致流程图如下
RPN网络是用来获取proposals的网络，将任意size的图片输入到网络中，得到多组proposals，这些proposals包含中心点的位置x、y和宽高w、h来唯一确定一个框，而怎么得到这些proposals呢？
文中是先用一个小网络得到feature map，这个feature map是 13?13?256的，然后采用一个n?n的滑窗去滑这个feature map，得到一个256-d的向量，而文章中是使用的n=3的滑窗去滑的。这个滑动过程其实是用一个3?3?256?256的卷积核去卷积的过程。
在每个滑窗的区域，会同时预测多个region proposals，假定每个sliding window预测k种框，那么regression layer就输出4k个参数，很好理解，就是x、y、w、h；cls层输出2k个scores，即是背景还是不是背景。而文章中的anchor指的就是每个sliding window的中心，文章默认采用了3种scale和3种aspect ratio，也就是9种不同的长宽比放缩比，这样每个anchor对应的就是原图种的1种位置，也就是说一个feature map中的点对应9个anchor。假设feature map是W?H的，那么我们会得到9WH个anchor。
文中方法最终要的一点就是anchors具有平移不变性。也就是说，如果图像中的某一个物体发生了平移，那么我们应该能够通过同样的方法也能够准确的预测到这个proposal，无论它在任何位置。
最终应该生成这九种anchor box
我们可以知道，输出的是两部分，一部分是是不是背景的分类loss，另一部分是预测的bbox的坐标宽高的regression loss，于是很容易去理解作者下图中的loss function。
参数解释在上图中。其中Ncls和Nreg是归一化的，λ是用来调整两个loss之间权重分配的，也很好理解。
作者在文中采用的是Ncls=256，Nreg约等于2400，这样他的λ设置成了10，这是为了使得两者权重大致相等。而下面又解释了公式中t也就是变换是怎么计算的：
参数解释当然也在图中。
之所以需要求这个t，是因为实际预测到的框和ground-truth box之间是有一定差距的，比如下面这张图：
所以我们通过求得一个线性变换使得A框能够尽可能接近G框，变换的结果就是G‘框，这样可以使得结果更接近G。而上面公式的解释呢，我理解的就是分别计算anchor和预测的框之间的变换、anchor和ground truth 框之间的变换，通过这两个变换来计算loss，也就是上面那个公式里的Lreg部分。
我们知道，loss里面关于是不是背景也有个loss，标记规则很简单
然后就是训练RPN了。在训练RPN的时候呢，一个Mini batch是我们在一张图中随机选取的256个proposal组成的，正负样本的比例应该是1比1，正样本不足128，就补负样本，负样本不足就补正样本（一般负样本不会不足）。
一个非常透彻的理解：Faster R-CNN中RPN网络的理解
论文原文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
标签：als 速度 towards bubuko function res 位置 简单 bat
原文地址：https://www.cnblogs.com/aoru45/p/10203146.html
