7.7.3 Faster RCNN
7.7.3 faster rcnn
ross b.girshick在rcnn和fast rcnn的基础上，提出了新的faster rcnn（见图7-31）。faster rcnn将特征抽取、region proposals提取、物体分类都整合在了一个网络中，使得综合性能有了较大提高，在检测速度方面尤为明显，gpu环境下简单物体检测任务达到了每秒17张图片。
图7-31 faster rcnn流程简化图
值得一提的是，faster rcnn把输入的大小为（224，224，3）的图片，经过cnn处理，提取特征的维度为51x39x256。可以把该特征看成一个尺度51x39的256通道图像，对于该图像的每一个位置，考虑9个可能的region proposals，如图7-32所示。在faster rcnn中region proposals也称为anchor。物体的分类结果取决于region proposals和图像数据，因此faster rcnn也可以理解为先检测出region proposals，然后再检测出物体分类，整个物体检测阶段还是分为了两阶段。这个是faster rcnn和后面将要介绍的yolo和ssd最大的区别，后者region proposals和物体分类结果是在一起生成的。
图7-32 faster rcnn候选区域示意图
ross b.girshick在rcnn和fast rcnn的基础上，提出了新的faster rcnn（见图7-31）。faster rcnn将特征抽取、region proposals提取、物体分类都整合在了一个网络中，使得综合性能有了较大提高，在检测速度方面尤为明显，gpu环境下简单物体检测任务达到了每秒17张图片。
图7-31 faster rcnn流程简化图
值得一提的是，faster rcnn把输入的大小为（224，224，3）的图片，经过cnn处理，提取特征的维度为51x39x256。可以把该特征看成一个尺度51x39的256通道图像，对于该图像的每一个位置，考虑9个可能的region proposals，如图7-32所示。在faster rcnn中region proposals也称为anchor。物体的分类结果取决于region proposals和图像数据，因此faster rcnn也可以理解为先检测出region proposals，然后再检测出物体分类，整个物体检测阶段还是分为了两阶段。这个是faster rcnn和后面将要介绍的yolo和ssd最大的区别，后者region proposals和物体分类结果是在一起生成的。
图7-32 faster rcnn候选区域示意图