论文阅读笔记

网络结构

整个Faster R-CNN可以分为三部分：

**backbone：**共享基础卷积层，用于提取整张图片的特征。例如VGG16，或Resnet101，去除其中的全连接层，只留下卷基层，输出下采样后的特征图。
**RPN：**候选检测框生成网络（Region Proposal Networks）。
**Roi pooling与分类网络：**对候选检测框进行分类，并且再次微调候选框坐标（在RPN中，网络会根据先前人为设置的anchor框进行坐标调整，所以这里是第二次调整）。输出检测结果。

————————————————
其余参考:
原文链接：https://blog.csdn.net/weixin_62371528/article/details/136059666
【个人整理】faster-RCNN的背景、结构以及大致实现架构（一）https://cloud.tencent.com/developer/article/1441555
【个人整理】faster-RCNN的训练过程以及关键点总结
https://cloud.tencent.com/developer/article/1441554

个人手写笔记：

个人基础知识补充【问了AI也参考了一些其他文献】

换一些之前没有好好打基础欠下的债T T

与FAST RCNN区别对比

相比FASTER-RCNN，主要两处不同:
(1)使用RPN(Region Proposal Network)代替原来的Selective Search方法产生建议窗口；
(2)产生建议窗口的CNN和目标检测的CNN共享

改进:

(1) 如何高效快速产生建议框？

FASTER-RCNN创造性地采用卷积网络自行产生建议框，并且和目标检测网络共享卷积网络，使得建议框数目从原有的约2000个减少为300个，且建议框的质量也有本质的提高.

————————————————
作者：尚学堂java学院 https://www.bilibili.com/read/cv11584179/ 出处：bilibili