1.Faster RCNN论文背景
2. Faster-RCNN算法流程
（1）Fast-RCNN算法流程
（2）特征提取conv layers
（3）Region Proposal Networks(RPN)
（4）ROI Pooling作用
（5）Classification
3.Faster RCNN问题和优缺点
本篇还有细节原理部分没有解释清楚，如有不懂可查看之前更详细部分文章
一、Faster RCNN论文背景
在目标检测领域，传统的方法通常分为两个阶段：生成候选区域和对这些区域进行分类。然而，这些方法的处理速度较慢，限制了实时应用的可能性。在此之前，有两个重要的工作推动了目标检测领域的发展。第一个是R-CNN（Region-based Convolutional Neural Networks）方法，它首次将卷积神经网络（CNN）应用于目标检测中。R-CNN通过在图像中提取固定大小的候选区域，然后对每个候选区域进行分类，从而实现目标检测。尽管R-CNN在准确性上表现出色，但其处理速度非常慢。第二个工作是SPP-net（Spatial Pyramid Pooling Network），它引入了空间金字塔池化层来提高处理速度，但其仍然需要在每个候选区域上运行CNN。
“Faster R-CNN” 是一篇于2015年发布的论文，题为 “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”。该论文由Shaoqing Ren、Kaiming He、Ross Girshick和Jian Sun等人共同撰写，发表在IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI)期刊上。
该论文提出了一个包含共享卷积层和RPN的网络结构。共享卷积层用于提取图像的特征表示，RPN则通过滑动窗口在特征图上生成候选区域，并预测每个窗口是否包含目标以及目标的边界框。生成的候选区域经过候选区域池化层提取特征向量，并输入到后续的分类器进行目标分类。
“Faster R-CNN” 的创新点在于将候选区域生成和目标分类集成到一个网络中，实现了端到端的目标检测，并取得了较高的准确性和较快的处理速度。
二、Faster-RCNN算法流程
1.Fast-RCNN算法流程：
（1）输入图像；
（2）通过深度网络中的卷积层（VGG、Alexnet、Resnet等中的卷积层）对图像进行特征提取，得到图片的特征图；
（3）通过选择性搜索算法得到图像的感兴趣区域（通常取2000个）；
（4）对得到的感兴趣区域进行ROI pooling（感兴趣区域池化）：即通过坐标投影的方法，在特征图上得到输入图像中的感兴趣区域对应的特征区域，并对该区域进行最大值池化，这样就得到了感兴趣区域的特征，并且统一了特征大小，如图2所示；
（5）对ROI pooling层的输出（及感兴趣区域对应的特征图最大值池化后的特征）作为每个感兴趣区域的特征向量；
（6）将感兴趣区域的特征向量与全连接层相连，并定义了多任务损失函数，分别与softmax分类器和boxbounding回归器相连，分别得到当前感兴趣区域的类别及坐标包围框；
（7）对所有得到的包围框进行非极大值抑制（NMS），得到最终的检测结果。
2.Faster-RCNN算法流程：
（1）conv layers：即特征提取网络，用于提取特征。通过一组conv+relu+pooling层来提取图像的feature maps，用于后续的RPN层和取proposal。
（2）RPN（Region Proposal Network）：即区域候选网络，该网络替代了之前RCNN版本的Selective Search，用于生成候选框。这里任务有两部分，一个是分类：判断所有预设anchor是属于positive还是negative（即anchor内是否有目标，二分类）；还有一个bounding box regression：修正anchors得到较为准确的proposals。因此，RPN网络相当于提前做了一部分检测，即判断是否有目标（具体什么类别这里不判），以及修正anchor使框的更准一些。
（3）RoI Pooling即兴趣域池化（SPP net中的空间金字塔池化）：用于收集RPN生成的proposals（每个框的坐标），并从（1）中的feature maps中提取出来（从对应位置扣出来），生成proposals feature maps送入后续全连接层继续做分类（具体是哪一类别）和回归。
（4）Classification and Regression：利用proposals feature maps计算出具体类别，同时再做一次bounding box regression获得检测框最终的精确位置。
三个图同时参考好思考更多细节部分，每一个步骤展开说明
3.特征提取conv layers
Conv layers包含了conv，pooling，relu三种层。以VGG16模型中的faster_rcnn_test.pt的网络结构为例上图，有13个conv层，13个relu层，4个pooling层。还可以用ResNet、Inception等。
conv层都是：kernel_size=3，pad=1，stride=1
pooling层都是：kernel_size=2，pad=0，stride=2
经过每个conv层后，feature map大小都不变；经过每个pooling层后，feature map的宽高变为之前的一半
4.Region Proposal Networks(RPN)
提取前景(本文称为提取proposal)的方法是Selective Search，简称SS法，通过比较相邻区域的相似度来把相似的区域合并到一起，反复这个过程，最终就得到目标区域，这种方法相当耗时以至于提取proposal的过程比分类的过程还要慢，完全达不到实时的目的。而Faster RCNN则抛弃了传统的滑动窗口和SS方法，直接使用RPN生成检测框，这也是Faster R-CNN的巨大优势，能极大提升检测框的生成速度，把提取proposal的过程也通过网络训练来完成，部分网络还可以和分类过程共用，新的方法称为Reginal Proposal Network(RPN)，速度大大提升。
RPN网络结构：
生成anchors -> softmax分类器提取positvie anchors -> bbox reg回归positive anchors -> Proposal Layer生成proposals
RPN作用：
（1）把feature map分割成多个小区域，识别出哪些小区域是前景，哪些是背景，简称RPN Classification.
（2）获取前景区域的大致坐标，简称RPN bounding box regression。
anchors：
anchors是一组预定义的矩形，论文中设置了3种形状，3种比例，一共9个预定义的anchors。需要注意anchors是针对哪个图像设置的！这样做获得检测框很不准确，但是后面还有2次bounding box regression修正检测框位置。Fast R-CNN以及SPP-net使用的BBR的输入是从任意大小的RoI上池化得到的（RoI pooling），同时回归权重在所有RoI上共享，而Faster R-CNN使用的BBR的输入是固定大小的3 x 3 RoI（3 x 3 convolution），同时不同尺度和长宽比的anchor使用不同的回归器，k个回归器之间并不共享权重。
[[ -84. -40. 99. 55.]
[-176. -88. 191. 103.]
[-360. -184. 375. 199.]
[ -56. -56. 71. 71.]
[-120. -120. 135. 135.]
[-248. -248. 263. 263.]
[ -36. -80. 51. 95.]
[ -80. -168. 95. 183.]
[-168. -344. 183. 359.]]其中每行的4个值 表矩形左上和右下角点坐标。9个矩形共有3种形状，长宽比为大约为 三种
特征图上每个像素都对应了k个anchors，会产生大量anchors，在实际训练RPN时，程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练。
（1）在原文中使用的是ZF model中，其Conv Layers中最后的conv5层num_output=256，对应生成256张特征图，所以相当于feature map每个点都是256-dimensions
（2）在conv5之后，做了rpn_conv/3x3卷积且num_output=256，相当于每个点又融合了周围3x3的空间信息
（3）假设在conv5 feature map中每个点上有k个anchor（默认k=9），而每个anhcor要分positive和negative，所以每个点由256d feature转化为cls=2•k scores；而每个anchor都有(x, y, w, h)对应4个偏移量，所以reg=4•k coordinatesRPN Classification：这是个二分类的过程。先要在feature map上均匀的划分出KxHxW个区域（称为anchor，默认K=9，H是feature map的高度，W是宽度），通过比较这些anchor和ground truth间的重叠情况来决定哪些anchor是前景，哪些是背景，也就是给每一个anchor都打上前景或背景的label。有了labels，你就可以对RPN进行训练使它对任意输入都具备识别前景、背景的能力。
RPN bounding box regression：用于得出前景的大致位置，要注意这个位置并不精确，准确位置的提取在后面的Proposal Layer bounding box regression。
RPN训练时要把RPN classification和RPN bounding box regression的loss加到一起来实现联合训练。
如图9所示绿色框为飞机的Ground Truth(GT)，红色为提取的positive anchors，即便红色的框被分类器识别为飞机，但是由于红色的框定位不准，这张图相当于没有正确的检测出飞机。所以我们希望采用一种方法对红色的框进行微调，使得positive anchors和GT更加接近。
Proposal Layer顺序依次处理：
(1)生成anchors，利用【dx dy dw dh】对所有的anchors做bbox regression回归（这里的anchors生成和训练时完全一致）
(2)按照输入的positive softmax scores由大到小排序anchors，提取前pre_nms_topN(e.g. 6000)个anchors，即提取修正位置后的positive anchors
(3)限定超出图像边界的positive anchors为图像边界，防止后续roi pooling时proposal超出图像边界（见文章底部QA部分图21）
(4)剔除尺寸非常小的positive anchors
(5)对剩余的positive anchors进行NMS（nonmaximum suppression）
(6)Proposal Layer有3个输入：positive和negative anchors分类器结果rpn_cls_prob_reshape，对应的bbox reg的(e.g. 300)结果作为proposal输出[x1, y1, x2, y2]。
5.ROI Pooling作用
1、从feature maps中“抠出”proposals（大小、位置由RPN生成）区域；
2、把“抠出”的区域pooling成固定长度的输出
（1）由于proposals坐标是基于MxN尺度的，先映射回(M/16)x(N/16)尺度
（2）再将每个proposal对应的feature map区域分为pooled_w x pooled_h的网格
（3）对网格的每一部分做max pooling
（4）这样处理后，即使大小不同的proposal输出结果都是pooled_w x pooled_h固定大小，实现了固定长度输出，
feature map中有两个不同尺寸的proposals，但pooling后都是7x7=49个输出，这样就能为后面的全连接层提供固定长度的输入。RPN网络提取出的proposal大小是会变化的，而分类用的全连接层输入必须固定长度，所以必须有个从可变尺寸变换成固定尺寸输入的过程。在较早的R-CNN和Fast R-CNN结构中都通过对proposal进行拉升（warp）或裁减（crop）到固定尺寸来实现，拉升、裁减的副作用就是原始的输入发生变形或信息量丢失（图7），以致分类不准确。而ROI Pooling就完全规避掉了这个问题，proposal能完整的pooling成全连接的输入，而且没有变形，长度也固定。
6.Classification
Classification部分利用已经获得的proposal feature maps，通过full connect层与softmax计算每个proposal具体属于那个类别（如人，车，电视等），输出cls_prob概率向量；同时再次利用bounding box regression获得每个proposal的位置偏移量bbox_pred，用于回归更加精确的目标检测框。RPN中只是二分类，区分目标还是背景；这里的分类是要对之前的所有positive anchors识别其具体属于哪一类。
（1）通过全连接层和softmax对所有proposals进行具体类别的分类（通常为多分类）
（2）再次对proposals进行bounding box regression，获取更高精度的最终的predicted box
三、Faster RCNN问题和优缺点
1.问题：
（1）计算复杂度较高：相对于传统的目标检测方法，“Faster R-CNN” 的计算复杂度更高。由于需要进行区域生成网络（RPN）的预测和候选区域的分类，整个网络的计算成本较大。
（2）训练和调参困难：“Faster R-CNN” 模型的训练和调参需要一定的技术和计算资源。要获得最佳的检测性能，需要仔细调整网络的超参数和训练策略。
2.优点：
（1）端到端目标检测：与传统的两阶段目标检测方法相比，“Faster R-CNN” 提供了一个端到端的目标检测框架。通过引入区域生成网络（RPN），候选区域的生成和目标分类可以在同一个网络中进行，使得整个目标检测过程更加简洁和高效。
（2）较高的准确性：“Faster R-CNN” 在目标检测任务中表现出较高的准确性。通过利用深度卷积神经网络（CNN）进行特征提取和候选区域分类，可以获得更准确的目标定位和分类结果。
（3）实时性能改进：相较于传统的方法，“Faster R-CNN” 在实时目标检测方面取得了显著的改进。引入区域生成网络（RPN）的设计使得整个检测过程更加高效，从而实现了更快的检测
