Faster R-CNN
使用的檢測框架是RPN網路+Fast R-CNN網路分離進行的目標檢測，整體流程跟Fast R-CNN一樣，只是region proposal現在是用RPN網路提取的（代替原來的selective search），RPN的核心思想是使用卷積神經網路直接產生region proposal，使用的方法本質上就是滑動視窗，RPN的設計比較巧妙，RPN只需在最后的卷積層上滑動一遍，因為anchor機制和邊框回歸可以得到多尺度多長寬比的region proposal，作者為了讓RPN的網路和Fast R-CNN網路實作卷積層的權值共享，訓練RPN和Fast R-CNN的時候用了4階段的訓練方法:
1、使用在ImageNet上預訓練的模型初始化網路引數，微調RPN網路；
2、使用(1)中RPN網路提取region proposal訓練Fast R-CNN網路；
3、使用(2)的Fast R-CNN網路重新初始化RPN, 固定卷積層進行微調；
4、固定(2)中Fast R-CNN的卷積層，使用(3)中RPN提取的region proposal微調網路，
權值共享后的RPN和Fast R-CNN用于目標檢測精度會提高一些，小結：Faster R-CNN將一直以來分離的region proposal和CNN分類融合到了一起，使用端到端的網路進行目標檢測，無論在速度上還
是精度上都得到了不錯的提高，然而Faster R-CNN還是達不到實時的目標檢測，預先獲取region proposal，然后在對每個proposal分類計算量還是比較大，比較幸運的是YOLO這類目標檢測方法的出現
讓實時性也變的成為可能，
總結：
總的來說，從R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN一路走來，基于深度學習目標檢測的流程變得越來越精簡，精度越來越高，速度也越來越快，可以說基于region proposal的R-CNN系列目標檢
測方法是當前目標最主要的一個分支，
對于提取候選框最常用的SelectiveSearch方法，提取一副影像大概需要2s的時間，改進的EdgeBoxes演算法將效率提高到了0.2s，但是這還不夠，候選框提取不一定要在原圖上做，特征圖上同樣可以，低解析度特征圖意味著更少的計算量，基于這個假設，MSRA的任少卿等人提出RPN（RegionProposal Network），完美解決了這個問題，我們先來看一下網路拓撲，
通過添加額外的RPN分支網路，將候選框提取合并到深度網路中，這正是Faster-RCNN里程碑式的貢獻，
RPN網路的特點在于通過滑動視窗的方式實作候選框的提取，每個滑動視窗位置生成9個候選視窗（不同尺度、不同寬高），提取對應9個候選視窗（anchor）的特征，用于目標分類和邊框回歸，與FastRCNN類似，目標分類只需要區分候選框內特征為前景或者背景，邊框回歸確定更精確的目標位置，基本網路結構如下圖所示：
訓練程序中，涉及到的候選框選取，選取依據：
1）丟棄跨越邊界的anchor；
2）與樣本重疊區域大于0.7的anchor標記為前景，重疊區域小于0.3的標定為背景；
對于每一個位置，通過兩個全連接層（目標分類+邊框回歸）對每個候選框（anchor）進行判斷，并且結合概率值進行舍棄（僅保留約300個anchor），沒有顯式地提取任何候選視窗，完全使用網路自身完成判斷和修正，
從模型訓練的角度來看，通過使用共享特征交替訓練的方式，達到接近實時的性能，交替訓練方式描述為：
1）根據現有網路初始化權值w，訓練RPN；
2）用RPN提取訓練集上的候選區域，用候選區域訓練FastRCNN，更新權值w；
3）重復1、2，直到收斂，
因為Faster-RCNN，這種基于CNN的real-time 的目標檢測方法看到了希望，在這個方向上有了
進一步的研究思路，至此，我們來看一下RCNN網路的演進，如下圖所示：
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/293864.html
標籤：AI