1.概述

Faster R-CNN实际上就是RPN网络+Fast-RCNN，使用RPN网络代替了上一代Fast-RCNN的Selective Search生成候选框的方法，使得整个检测过程彻头彻尾使用了神经网络进行构建。

2.RPN 网络

RPN 网络是该篇文章的一个精髓，使用该步骤也大大缩减了生成候选区域所需要的时间。
如图2-1所示:左半边就是RPN网络，右半边就是Fast-RCNN网络。
在这里插入图片描述

图2-1 RPN 网络

下面我们简化一下网络，便于理解Faster-RCNN的原理
我们假设通过VGG-Net生成的feature map的大小是4×4，那么通过该feature map使用3×3和1×1的卷积核，生成一个1×18的向量和1×36的向量。这个1×18实际上代表了9个anchor box的属于前景和背景的概率，这个1×36实际上是9个anchor box的位置回归，即横坐标、纵坐标、宽和高的修正量。
在这里插入图片描述

图2-2：RPN网络简述图

在刚刚上面提到了anchor box，实际上anchor box也很好理解，就是从feature map还原到原始图中对应的位置，生成多个长宽高比例的长方形。例如feature 的最左上角的值就对应的原图中最左上上角的格子中的内容，以这个格子的中心，生成9个长方形。所以刚刚讲的 18维的向量就是这9个长方形属于前景还是背景的概率，36维的向量就是这9个长方形的位置偏移。
值得注意的是，如果识别出这个anchor box是背景，那么其实在对其进行位置修正是没有意义的。因此只有当识别出它是前景的时候，才会再去训练位置修正的网络。这一点是通过损失函数实现的。

在这里插入图片描述

图2-3：anchor box 因此通过上面的讲解，通过网络的计算的预测值就可以算出，那么只有有真实值，就可以计算出损失，从而进行反向传播了。那么真实值如何计算呢？

首先，对于任何一个anchor box ，如果知道它的真实值呢？
我们在训练集标注了目标的位置，成为Ground Truth，那么这个anchor box 与所有的Ground Truth 遍历一遍求IoU值，如果大于某个阈值，那么我们就认为这个anchor box的真实值属于前景，所以这样子我们就得到了1×18真实值向量。
进而如何得到目标框的修正的真实值呢。
首先如果该anchor box 是背景，那么框的位置回归毫无意义，无需知道它的真实值。
其次，如果该anchor box是前景，那么框的真实位置可以通过Groud Truth知道。

因此通过上面的推断，目标框的修正的真实值也有了。
有了预测值和真实值RPN网络就可以train 起来了。