RPN
深度学习网络 | FPN和fast rcnn及RPN网络是如何结合的细节
Faster rcnn = Fast rcnn + RPN
Faster R-CNN详解
在这里插入图片描述
- 卷积层：提取特征
- RPN(region proposal network):生成候选区域，替换了之前的search selective.
- ROI Pooling:输入特征提取的map和PRN的proposals
- 分类和回归
bilibili
睿智的目标检测27——Pytorch搭建Faster R-CNN目标检测平台
-
首先将短边resize到600，长款比不变，图像不会失真 M*N
-
-
共享特征层38381024，相当于把输入的图片划分为38*38个网格，每个网格有9个先验框
-
两个1*1的卷积的预测结果 判断先验框内是否包含物体
-
对先验框进行调整，为建议框
-
9*2（判断先验框是否包含物体，2是背景和物体概率）
-
9*4（4，先验框的调整参数，4个参数确定一个框，获得建议框）
-
两次卷积之后获得建议框
-
建议框和共享特征层结合，传入ROIpooling,根据建议框对共享特征层进行截取
-
建议框获得的大小不是一样的，截取的局部特征层大小不一样，ROIpooling对所有的局部特征层进行分区域的池化，获得的局部特征层大小一样
-
对所有局部特征层进行分类预测和回归预测，回归预测的结果直接对我们的建议框进行调整，获得预测框
-
分类预测的结果判断建议框内部是否包含物体，和种类，获得预测框和种类
-
分类预测的结果建议框是否包含物体，回归预测的结果对建议框进行调整，获得预测框
