目标检测：Faster RCNN网络详解_faster r-cnn可以看成是由两个模块组成

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

RCNN系列论文：
目标检测：RCCN网络详解
目标检测：Fast RCNN网络详解
目标检测：Faster RCNN网络详解

简述：

Fast RCNN存在着Selective Search（选择性搜索）。要找出所有的候选框，这个也非常耗时。在Faster R-CNN中加入一个提取边缘的神经网络，即找候选框的工作也交给神经网络。这样，目标检测的四个基本步骤（候选区域生成，特征提取，分类器分类，回归器回归）全部由深度网络完成，且全在GPU上进行，大大的提高了操作效率。Faster RCNN可看成由两个模块组成的：区域生成网络RPN候选框提取模块+Fast RCNN检测模块。

模型：

　　Faster RCNN是基于RPN提取的proposal检测并识别proposal中的目标。其具体流程大致可概括为：1.输入图像。2.通过区域生成网络RPN生成候选区域。3.提取特征。4.分类器分类。5.回归器回归并进行位置调整。
RPN的工作步骤如下：

　　区域代网络RPN的核心思想是直接使用卷积神经网络CNN生成候选区域region proposal区域提议，是在最后一个卷积层上滑动窗口。
　　在最后一个共享卷积层的卷积特征图输出上滑动一个小网络。这个小网络作为feature map。每个滑动窗口被映射到 输入卷积维特征的一个较低的n×n空间窗口。最后将这个低维矢量发送到两个完全连接的层。即 bbox回归层（ reg）和 box分类层（cls）。其中，reg层的作用是预测proposal的anchor对应的proposal的（x,y,w,h），cls层的作用是判断该proposal是前景（object）还是背景（non-object）。
anchor机制：
　　同时预测多个地区的提议，其中每个位置可能的最大建议数记为k。所以reg层4 k输出编码k框的坐标,和cls层输出2k分数估计概率的对象或对象的建议。k个建议是相对于k个参考框参数化的，称之为锚。锚位于所述滑动窗口的中心，并与比例和高宽比相关(图3，左侧)。
　　把每个点当作一个下锚的地方，每个点生成若干个框代表撒网的意思。把整幅特征图当作汪洋的大海，没过一个点下一个锚，然后开始撒网捕鱼。
　　第一步，把feature maps(256张map)拍扁，变成一张图(每个点都是256维)。基于每个256d点开始“下锚”。
　　第二步，“下锚”以后开始撒网，即以每一个锚点为中心生成大小不同的k个框。原文中选用的k=9。九个大小形状不一的框，致力于使目标对象能出现在某个框中。框的大小也是有讲究的，如下：

　　选用长宽比{1:1，2:1，1:2}三种，大小也有三种。如下图:

　　对于feature maps上的点(每个点维度是256)，以每个点为中心生成9个大小不一的框，那么一定有跟ground truth很接近的框。
边界框回归：
图像的损失函数的定义：

　　其中分类的损失函数包含两个类（对象和非对象），回归损失函数：

　　对于（1）来说，意味着回归损失只有正锚点才会被激活（当p_i^* =1时）。
　　对于Bounding box regression，采用以下四个坐标的参数化：

　　其中，x, y, w, h表示盒子的中心坐标及其宽度和高度。以X、Xa、X*为例，分别为为预设框，锚框，和地面真相框(likewise for y; w; h)。
宏观上可以这么理解：

A是anchor，G’是调整后的，G是GroundTruth。那么对A的这个调整，就是Bounding Box回归。当bbox和GT比较接近时，调整框操作才可以使用线性回归模型。
线性回归模型：

1. 回归模型的作用：微调整bbox的位置和大小。每个bbox可以由四个数值来表示(中点坐标x,y和长宽l,w)。平移bbox只需在x,y上作加减，调整大小只需在l,w上作乘法。
2. 回归模型的输出：x,y上的增量以及l,w的系数。即，输出也是4个值。
3. 回归模型的输入：bbox在feature maps上划下的区域。
   训练：
   　　本文中，采用一种实用的四步训练算法（更多次迭代意义不大），通过交替优化来学习共享结构。
   　　1.按照描述来训练RPN。该网络使用ImageNet预训练的模型进行初始化，并针对区域建议任务进行端到端的微调。
   　　2. 利用步骤1中训练好的RPN网络，收集proposals。ImageNet预训练模型初始化，训练Fast R-CNN。（与1中，两个网络不共享卷积层。）
   　　3. 使用2中的网络参数来初始化RPN训练，但是我们修正了共享的卷积层，只微调了RPN特有的层。现在这两个网络共享卷积层。
   　　4. 保持共享的卷积层不变，我们微调Fast R-CNN的独特层。
   如下图：
   

RCNN、Fast RCNN、Faster RCNN对比：