目标检测网络之Faster-rcnn解读（一）

[Paper:Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks]
[https://arxiv.org/abs/1506.01497v3]
该论文主要做出了两点贡献：
1、提出区域建议网络RPN，快速生成候选区域；
2、通过交替训练，使RPN和Fast-RCNN网络共享参数

Faster-rcnn的重要性

RCNNs刚出来时是十分费时的，经过一系列的改进，如推荐区域共享卷积，已经使得处理速度大大加快了，而Fast-rcnn如果不考虑区域推荐的耗时，只使用深度网络是已经达到几乎实时的处理速度，但区域推荐是检测系统的瓶颈，当时最受欢迎的是选择性搜索-首先通过基于图的图像分割方法初始化原始区域，即将图像分割成很多很多的小块，然后使用贪心策略，计算每两个相邻区域的相似度，每次合并最相似的两块，直到最终只剩下一块完整的图片，每次产生的图像块包括合并的图像块都保存下来。和检测网络相比，选择性搜索慢了一个数量级。也就是说，在整个目标检测网络中，区域推荐部分是主要的耗时阶段。为了解决这个问题，作者引出了非常有效的方式，使用深度卷积神经网络来计算推荐区域，在给定的检测网络完成的计算基础上，让区域推荐的计算几乎为0，这就是RPN，它和fast-rcnn共享卷积层，大大加快了检测网络速度。

介绍神奇的区域建议网络（RPN）

RPN是一种完全卷积网络（FCN），可以为特定的任务进行端到端的训练来产生推荐。下图是参考ZF网络结构的RPN:

RPN网络的输入是一张图像，输出分为两支，一支是目标和非目标的概率，另一支是bbox的四个参数，分别是bbox的中心坐标x，y以及bbox的宽w和长h。
为了得到输出的区域建议，是用了一个小网络在ZF网络（5个卷积层）最后一个卷积层特征图上滑动，每个滑动窗口都映射到一个维度更低的特征，最后是形成两个并列的全连接层，一个box回归层（reg）和box分类层（cls）