faster-RCNN 论文笔记

faster-RCNN 是一个单一联合检测网络，由两个特征共享的模型构成：

1：深度全卷积网络（生成proposal区域）    2：FastRCNN检测器（使用proposal）

文章说，目前最先进的目标检测网络region proposal 算法生成假的目标定位，领先的如空间金字塔池层，和FastRCNN，在减少这些检测网络运行时间的同时，也暴露了region proposal 计算的瓶颈问题

于是作者提出一个和检测网络分享全图像卷积特征的Region Proposal Network(RPN) ,从而使region proposal 几乎不占计算（cost-free）

什么是RPN：一个同时在每个位置预测目标边界和目标得分的全卷积网络，RPN端对端地生成高质量的region proposal，然后由fastRCNN来做检测。

他们进一步融合RPN和fastRCNN成为一个单网络（通过分享他们的卷积层）——通过使用“注意力”机制神经网络，RPN告诉联合的网络去看哪里？（个人理解RPN相当于一个预选，然后用CNN分类器精选）

RPN由来：作者团队发现被fastRCNN等基于区域的检测器利用的卷积特征图也可以用来生成region proposal。于是，他们在卷积特征图顶部构造一个Region Proposal Network(RPN) ，方法是通过增加一些额外的卷积层，这些卷积层在每一个位置同时递归区域边界和目标得分，因此RPN是一个全连接网络，可以被训练生成检测proposal的端对端网络

RPN作用：RPN把任意尺寸的图像作为输入并且输出一些带得分的矩形proposals的集合，可以用全卷积网络制作proposal？？，由于最终目标是和Fast-Rcnn共享计算，我们假定（认为）两个网络都享有共同的卷积层，（ZF模型5个共享卷积层，VGG16有13个）

怎么生成RPN：