上一篇介绍了RCNN和Fast RCNN，本文介绍RCNN系列的终极版本，FasterRCNN。Faster RCNN虽然是2015年的论文，但它至今认识许多目标检测算法的基础。
FasterRCNN可以看做是RPN（region proposal network） + fast RCNN的系统，用RPN代替了之前的selective search 来进行region proposal的选择和修正。
如上图所示，RPN网络的基本思路是将图片经过CNN进行特征的提取，对所有可能的候选框进行打分，选出confidence较高的框(前2000)传入下一层用于fast RCNN的目标检测，其中RPN和Fast RCNN两个网络共享一组共同的卷积层。
如上图所示，我们再最后的特征层上进行滑窗，这个窗口将输入卷积特征映射的n×n空间窗口作为输入，每个窗口都可以映射到原始的图片中， 其映射的原始图片的位置即为输入RPN的候选框。在文章中，使用的n为3，即每个候选框映射到特征层的窗口为3×3大小。最后我们对得到的特征输入两个1×1的卷积层，分别预测类别（2分类，）和坐标（xywh）。
anchor：anchor即为我们所提到的候选框，在滑动窗口的位置，同时预测多个候选框，候选框的中心点是相同的，只是有不同的尺度和长宽比。文章使用3个尺度和3个长宽比。
损失函数：RPN训练过程的正例是与gtbox的iou最大的anchor和与gtbox的iou>0.7，负例是与gtbox<0.3。与之前FastRCNN的损失函数类似，
Faster RCNN还是比较难理解的，原始的论文重点介绍的是RPN，具体和fastRCNN是怎么结合的文章也没有很好的说明，当时我看完也是云里雾里的，查了好多的资料，整个FasterRCNN，从算法到代码复现，我前前后后大概啃了一个半月，才算搞懂，这里我放几张图片，供大家结合论文理解。
图片来源，这个图比较清晰的展示了FasterRCNN的整个架构。
另外，了解了整个FasterRCNN的框架之后，其代码复现可以尝试着看一下，如果没有目标检测的基础，上来看FasterRCNN还是比较吃力的，建议先从单阶段的框架开始看起。这里也放一张代码的架构图供大家参考。
图片来自，这个图展示代码的实现流程。
本文链接：http://task.lmcjl.com/news/5424.html
