>>戳此处立即下载电子书<<，学习全套目标检测算法&模型
Faster R-CNN
Faster R-CNN[3] 作为目标检测的经典方法在现今很多实战项目和比赛中频频出现。其实，Faster R-CNN 就是在Fast R-CNN 的基础上构建一个小的网络，直接产生region proposal 来代替通过其他方法（如selective search）得到ROI。这个小型的网络被称为区域预测网络（Region Proposal Network，RPN）。Faster R-CNN 的训练流程如图2-10 所示，其中的RPN 是关键，其余流程基本和Fast R-CNN 一致。
图2-10 Faster R-CNN 训练流程[9]
RPN 的思想是构建一个小的全卷积网络，对于任意大小的图片，输出ROI 的具体位置以及该ROI 是否是物体。RPN 网络在卷积神经网的最后一个特征层上滑动。
接下来我们对着图2-11 来进一步解释RPN 网络。图2-11（a）中最下面灰色的网格表示卷积神经网络的特征层，红框表示RPN 网络的输入，其大小为3×3，而后连接到256 维的一个低维向量。这3×3 的窗口滑动经过整个特征层，并且每次计算都将经过这256 维的向量并最终输出2 个结果：该3×3 滑动窗口位置中是否有物体以及该滑动窗口对应物体的矩形框位置。如果还是不好理解，我们将图2-11（a）中的RPN 网络顺时针旋转90 度，如图2-11（b）所示，现在可以很清晰地看出神经网络结构了，这里input 维度是9，即图2-11（a）中的3×3 大小。
（a）
（b）
图2-11 RPN 网络原理[3]
为了适应多种形状的物体，RPN 网络定义了k 种不同尺度的滑窗（因为有的目标是长的，有的是扁的，有的是大的，有的是小的，统一用一个3×3 的滑窗难以很好地拟合多种情况），这里给它一个专业的名词——anchor，每个anchor 都是以特征层（feature map）上的像素点为中心并且根据其尺度大小进行后续计算的。在Faster-RCNN 论文中，滑窗在特征层的每个位置上使用3 种大小和3 种比例共3×3=9 种anchor，在图2-11（a）中n=9。
根据上面的介绍我们知道RPN 网络有2 类输出：二分类网络输出是否是物体，回归网络返回矩形框位置对应的4 个值。
接下来，我们看一下训练过程中的一些细节问题。首先，针对分类任务，对于滑窗产生的每一个anchor 都计算该anchor 与真实标记矩形框的IOU。当IOU 大于0.7 时，便认为该anchor 中含有物体；当IOU 小于0.3 时，便认为该anchor 中不含物体；当IOU 介于0.3-0.7 之间时，则不参与网络训练的迭代过程。
对于回归任务，这里定义为anchor 中心点的横、纵坐标以及anchor 的宽高，学习目标为anchor 与真实bbox 在这四个值上的偏移。RPN 网络为一个全卷积网络，可以用随机梯度下降的方式端到端地进行训练。
这里需要注意，训练过程中能与真实物体矩形框相交的IOU 大于0.7 的anchor并不多，绝大多数都是负样本，因此会导致正负样本比例严重失衡，从而影响识别效果。因此，在RPN 训练的过程，每个batch 进行随机采样（每个batch 中有256个样本）并保证正负样本的比例为1:1，而当正样本数量小于128 时，取全部的正样本，其余的随机使用负样本进行补全。
使用RPN 网络产生ROI 的好处是可以和检测网络共享卷积层，使用随机梯度下降的方式端到端地进行训练。接下来我们看下Faster R-CNN 的训练过程：
（1）使用ImageNet 预训练好的模型训练一个RPN 网络。
（2）使用ImageNet 预训练好的模型，以及第（1）步里产生的建议区域训练Fast R-CNN 网络，得到物体实际类别以及微调的矩形框位置。
（3）使用（2）中的网络初始化RPN，固定前面卷积层，只有调整RPN 层的参数。
（4）固定前面的卷积层，只训练并调整Fast R-CNN 的FC 层。
有了RPN 的帮助，Faster R-CNN 的速度大大提升，（如图2-12 所示。RCNN、Fast R-CNN、Faster R-CNN 几个模型的对比如图2-13 所示。
图2-12 RCNN、Fast R-CNN、Faster R-CNN 模型耗时对比
图2-13 RCNN、Fast R-CNN、Faster R-CNN 模型对比
从R-CNN 到Faster R-CNN，前面讲了基于proposal 想法做目标检测的发展史，这种思路分为产生proposal 和检测两个步骤，可以得到相对较好的精度，但缺点是速度较慢。接下来我们介绍另外几种常用于检测的方法。
