【论文泛读】 Faster R-CNN:利用RPN实现实时目标检测( 四 ) _检测

R-CNN的训练
R-CNN的训练方式有三种
对于提取的RPN，以及分类回归的Fast R-CNN，如何将这两个网络嵌入到同一个网络结构中，训练一个共享卷积层参数的多任务(Multi-task)网络模型。
这里先介绍交替训练的方法。
由训练流程可知，第4步训练RPN网络和第6步训练Fast R-CNN网络实现了卷积层参数共享。总体上看，训练过程只循环了2次，但每一步训练(M1，M2，M3，M4)都迭代了多次。对于固定卷积层参数，只需将学习率( rate)设置为0即可。并且本论文也是用这种交替优化算法进行训练的。
实验细节总结
【【论文泛读】 Faster R-CNN:利用RPN实现实时目标检测】该论文提出了RPN来生成高效，准确的区域推荐。通过与下游检测网络共享卷积特征，区域推荐步骤几乎是零成本的。我们的方法使统一的，基于深度学习的目标检测系统能够以接近实时的帧率运行。学习到的RPN也提高了区域提议的质量，从而提高了整体的目标检测精度。