动动发财的小手，点个赞吧！
简介
如果您正在浏览这篇文章，那么我假如您肯定据说过用于指标检测的 RCNN 系列，如果是的话，那么您肯定遇到过 RPN，即区域提议网络。如果您不理解 RCNN 系列，那么我强烈建议您在深入研究 RPN 之前单击此处浏览这篇文章。
因而咱们晓得，在指标检测算法中，指标是生成候选框，可能蕴含咱们指标的框，这些框将通过边界框回归办法进行定位，并由分类器分类到各自的类别。
在晚期版本的物体检测算法中，这些候选框已经是通过传统的计算机视觉技术生成的。其中一种办法是“选择性搜寻”，但这种办法的毛病是它是离线的，而且计算量很大。
这就是 RPN（区域提议网络）办法通过在十分短的工夫内生成候选框和最重要的中央，这个网络能够插入任何对象检测网络，这使得它对任何对象检测模型都更有用。
RPN
CNN 从特色图学习分类的形式，RPN 也学习从特色图生成这些候选框。能够应用下图演示典型的区域提议网络
让咱们逐渐理解下面的框图
Step 1
因而，在第一步中，咱们的输出图像通过卷积神经网络，最初一层将特色映射作为输入。
Step 2
在这一步中，一个滑动窗口运行在上一步取得的特色图上。滑动窗口的大小是 n*n（这里是 3×3）。对于每个滑动窗口，都会生成一组特定的锚点，但具备 3 种不同的纵横比（1:1、1:2、2:1）和 3 种不同的比例（128、256 和 512），如下所示。
因而，对于 3 种不同的纵横比和 3 种不同的比例，每个像素总共可能有 9 个倡议。特色图大小为 WxH 的锚框总数和特色图每个地位的锚点数量 K 能够示意为 WxHxK。
下图显示了在大小为 (600, 900) 的图像的地位 (450, 350) 处的 9 个锚点。
上图中，三种色彩代表三种尺度或尺寸：128×128、256×256、512×512。
让咱们挑出棕色的盒子 / 锚点（上图中最外面的盒子）。三个盒子的高宽比别离为 1:1、1:2 和 2:1。
当初咱们有 9 个锚框用于特色图的每个地位。然而可能有很多盒子外面没有任何物体。因而模型须要理解哪个锚框可能蕴含咱们的对象。带有咱们对象的锚框能够被归类为前景，其余的将是背景。同时模型须要学习前景框的偏移量以调整以适宜对象。这将咱们带到下一步。
Step 3
锚框的定位和分类是由 Bounding box Regressor layer 和 Bounding box Classifier layer 实现的。
Bounding Box Classifier 计算 Ground Truth Box 与 anchor boxes 的 IoU 分数，并以肯定的概率将 Anchor box 分类为前景或背景。
Bounding box Regressor 层学习 x,y,w,h 值绝对于被分类为前景的 Anchor Box 的 Ground truth Box 的偏移量（或差别），其中 (x,y) 是框的核心，w 和 h 是宽度和高度。
因为 RPN 是一个模型，并且每个模型都有一个要训练的老本函数，因而 RPN 也是如此。RPN 的损失或老本函数能够写成
留神：- PN 不关怀对象的最终类（例如猫、狗、汽车或人等）是什么。它只关怀它是前景对象还是背景。
示例
让咱们用一个例子来形容 RPN 的整个概念
因而，如果咱们有一个大小为 600×800 的图像，在通过卷积神经网络 (CNN) 块后，该输出图像将放大为一个 38×56 的特色图，每个特色图地位有 9 个锚框。那么咱们将有 38569=1192 个提案或 Anchor Boxes 来思考。每个锚框都有两个可能的标签（前景或背景）。如果咱们将特色图的深度设置为 18（9 个锚点 x 2 个标签），咱们将使每个锚点都有一个向量，该向量具备示意前景和背景的两个值（称为 logit 的法线）。如果咱们将 logit 输出 softmax/logistic 回归激活函数，它将预测标签。
假如 600×800 的图像在利用 CNN 后放大 16 倍为 39×51 的特色图。feature map 中的每个地位都有 9 个 anchors，每个 anchor 都有两个可能的标签（background，foreground）。如果咱们将特色图的深度设置为 18（9 个锚点 x 2 个标签），咱们将使每个锚点都有一个向量，该向量具备示意前景和背景的两个值（通常称为 logit）。如果咱们将 logit 输出 softmax/logistic 回归激活函数，它将预测标签。当初，训练数据已蕴含特色和标签。模型将进一步训练它。
总结
区域提议网络 (RPN) 的输入是一堆框 / 提议，它们将被传递给分类器和回归器以最终查看对象的呈现。简而言之，RPN 预测一个锚点是背景还是前景的可能性，并对锚点进行细化。
本文由 mdnice 多平台公布