寫在前面
博主是一名剛轉行CV不久的一枚小碩，大約半年前對目標檢測相關的幾個經典網絡(RCNN, Fast RCNN, Faster RCNN, YOLO, SSD)等有一些簡單的瞭解(聽說而已)。這學期轉行以來，準備從Faster RCNN着手，研讀論文，理解並努力復現源碼。經過大約一個月的努力，Faster RCNN已基本上覆現完成，借CSDN平臺，分享自己的一些理解和感悟，希望和大家一起進步。
網絡框圖
在讀完Faster RCNN論文之後，可以知道，Faster RCNN總體上可分爲三部分，如下圖所示，
- 用於提取圖像特徵，實現參數共享的多個卷積層；
- 用於得到Proposal（候選框）的RPN層，這也是Faster RCNN最經典的部分；
- 用於完成分類和邊界框迴歸的RoI Pooling層和分類層。
在實現網絡的過程中，必定會將這三部分進一步地劃分爲最小的功能單元。
對於提取特徵的卷積層，通常使用VGG、ResNet等預訓練模型，當前，也可使用ShuffleNet、Inception等實現，只需要在搭建出相應網絡的基本結構，下載預訓練模型並在源碼上做出相應的更改即可；
對於RPN層，又可分爲產生anchors的generate_anchors層，對anchors進行前景/背景分類和boungding box迴歸的rpn_anchor_target層，以及產生最終用於目標檢測的proposals的proposal_layer；
對於ROI_Pooling層，則需要將尺寸不一的proposals通過相關的Pooling技術，轉換爲同樣的尺寸，只有這樣，才能將這些proposals作爲一個batch輸入分類層；
對於分類層，不單單是分類的功能，要同時實現分類和bounding box迴歸的功能，通過兩個全連接層實現，完美地將分類任務和回顧任務相結合。
寫在後面
接下來一段時間，將會基於PyTorch源碼及自己復現源碼，對Faster RCNN各部分進行解析。
歡迎關注！
參考
- https://www.cnblogs.com/wangyong/p/8513563.html
- Faster R-CNN: Towards Real-Time Object
Detection with Region Proposal Networks - https://github.com/jwyang/faster-rcnn.pytorch