人工智能－Faster-RCNN

Faster-rcnn继承了Fast-rcnn所有优点，并提出利用RPN的方式替换SS获得预选框

他继承了前者的损失函数将分类和边框回归合二为一的定义，最终实现了从端到端的

神经网络的学习。这是两步法最为成熟有效的方式之一。

其基本内容如下：

1）图像首先经过一个经典的深度神经网络 13(conv+relu)+4 pooling最终生成特征图

2）生成的特征图首先通过3*3的矩阵后，而后分别对anchor进行二分类，确定是背景色还是非背景色，而后另一路对anchor进行边框偏移量进行修正，两者结合图像信息最终生成预选框

3）ROI Pooling将结合特征图和RPN的结果，提取预选框的特征图 并推给后面的全连接层

4）利用特征图预选框进行分类，并作边框回归。

难点：RPN 

其准确度很高