RBG团队在2015年，与Fast R-CNN同年推出了Faster R-CNN，我们先从头回顾下Object Detection任务中各个网络的发展，首先R-CNN用分类+bounding box解决了目标检测问题，SPP-Net解决了卷积共享计算问题，Fast R-CNN解决了end-to-end训练的问题，那么最后还能下一个ss算法，依旧**于网络，是一个单独的部分，然而这个算法需要大概2秒的时间，这个点是R-CNN系列的性能瓶颈，所有Fast R-CNN是没有什么实时性的。那么Faster R-CNN的出现就是为了解决这个瓶颈问题。
在Faster R-CNN中提出了RPN网络，Region Proposal Network（区域建议网络）以代替原来的ss算法，可以简单的理解为：
Faster R-CNN =Fast R-CNN+RPN-ss算法
所以，可以说除了RPN，Faster R-CNN剩下的地方与Fast R-CNN是一样的， 那么理解Faster R-CNN的关键其实理解RPN。
首先，上面这张图说明了RPN在Faster R-CNN中的位置，它在CNN卷积后的特征图上做区域建议（大约300个），并根据RPN生成的区域建议对feature maps做提取，并对提取后的特征做RoI pooling。在RoI pooling之后的东西就和Fast R-CNN一样了。
所以RPN的输入是卷积后的特征图，输出是多个打过分的建议框，所谓打分是对框中是否是物体打分，建议框是四个值(x,y,w,h)。
RPN是一种全卷积网络，它的前几层卷积层和Faster R-CNN的前五层是一样的，所以RPN是在进一步的共享卷积层的计算，以降低区域建议的时间消耗。
也是因为共享卷积的原因，所以我们一般认为RPN只有两层。而RPN前面到底有几层，决定于Faster R-CNN选择哪种初始模型，如果是AlexNet的话，那就是5层，如果是ZFNet的话，也是5层，如果是VGG16的话，就是13层，等等。
那么我们还是用AlexNet举例好了，此时的conv5特征图的尺寸为13*13*256，也就是这一层的特征别送入到RPN中，RPN在这个特征图上用3*3*256的卷积核，一共用了256个。那么卷积核一次卷积之后的特征就是1*1*256，也就是下图中的256-d，之后该特征出两个分支：
第一个分支（reg layer）用4k个1*1*256的卷积核卷积，最后输出4k个数，这里的4是一个建议框的参数，即(x,y,w,h)；
第二个分支（cls layer）用2k个1*1*256的卷积核卷积，最后输出2k个数，这里的2是该区域到底有没有物体，即(object,non-object)。
那么，k是什么呢？
k是Anchor box（参考框）的类型数，在Faster R-CNN中k=9，分别是3个尺度scale和3个比例ratio，其中：
scale为（128，256，512）
ratio为 1:1，1:2，2:1
参考框的中心就是卷积核的中心。
所以，在conv5层上，用3*3卷积核每卷积一次，都会生成k个参考框，那么参考框的总数就应该是W*H*K，如上所说，conv5的尺寸为13*13的话，那么生成的Anchor box的总数就是1521个。
然后我们就会发现通过上面的解释，RPN有一些地方是说不通的，下面我们一一解释下这些坑：
1.上面提到Anchor box的总数是1521个，那为什么说RPN生成300个左右的区域建议呢？
每一个参考框都会有一个是不是物体的打分，在检测过程中RPN计算所有的参考框后会选择其中300个得分最高的区域。
2.参考框中的尺寸为（128，256，512），但是conv5的尺寸只有13*13，在哪里生成这些参考框呢？
这些参考框不是在特征图上生成，而是在原图上，而原图之前的尺寸也不是224*244，这个尺寸是原图经过压缩得到的，所以anchor size的选择一定是要考虑缩放前的原图的尺寸，因为最后anchor超过的图像大小，并没有意义。所以RPN在做的是将每个点产生的9个参考框来映射原始图像，也就是通过4k个位置偏移输出和k个参考框，得到参考框在原始图像中的位置。就像Fast R-CNN中ss算法，其实也是在原图上生成的，最后只是经过了坐标变化才能在conv5上提取。
1.在卷积核卷积到一个点的时候，输出了9个参考框，但是这9个建议框的特征是相同的，都是256个3*3*256卷积核卷积得到的1*1*256的特征，那么这9个参考框在哪里引导的RPN关注这些区域呢？
特征确实是相同的，但是得到的特征最终是要向原图做映射的，以得到最终的区域建议，而相同的特征对应了9种不同的参考映射方式，于是相同的特征，映射给不同的参考框时，loss是不同的。那么哪种方式是做好的呢，当然是loss最小的那个。所以不同的9个参考框，它们的区别并不体现在特征上，而是在loss上，我们下面就看下RPN的损失函数。
首先给出函数的公式：
这个公式和Fast R-CNN的多任务损失其实很像，同样是一个在做分类，一个在做回归，然后把两个函数加在一起。i是一个batch中anchor box的索引。
用于分类的loss：
这依然是一个负的log值，，Pi为第i个参考框是物体的预测概率，Pi*是一个指示函数，如果anchor是物体的话，Pi* 就是1；如果anchor是背景，那么Pi* 就是0。
那么如果某一个区域是物体的话，如果pi=1，pi*=1，此时的损失函数为0；同理pi=0的话，损失函数为正无穷。
用于回归的loss：
其中R还是smooth L1平滑方程：
同样的背景没有边界框，所以需要Pi* Lreg。
而ti与ti*分布对应四个值，分别是x，y，w，h的坐标偏差，其中：
x，y，w，h是预测框（就是reg layer的输出）；
xa，ya，wa，ha是anchor参考框；
x*，y*，w*，h*是ground truth框；
ti是预测框与anchor之间的偏差，ti*是ground truth与anchor之间的偏差，那么我们考虑一种情况，那就是ti与ti*与相同了，此时损失函数就是0，那么这意味着：
预测值与anchor之间的偏差=ground truth与anchor之间的偏差
也就是说预测值完全等于ground truth。这就是上面提到的注意机制引导RPN关注anchor的过程，当anchor不同的时候，loss函数是不同的。所以这是一个反向的过程，我们选择出来了某一个点上3*3范围内的特征，那么这个特征是物体还是背景呢，还有就是它对应原图中哪个区域的时候，效果是最好的呢？这就是RPN要解决的问题。
在这里顺便说一下个人的一个想法，会更方便理解，RPN在conv5上用3*3的卷积核卷积，那么如果原图上某一个区域在conv5上的大小恰好就是3*3呢？那么这个卷积就相当于一个全尺寸卷积了，显然它是可以学习到这个区域内的所有特征的，然后我们再看下这些尺寸，这方便我们理解为什么RPN选择了3*3卷积。
conv5的尺寸为13*13；
卷积为3*3；
原图大小如果是1024；
那么anchor选择为256的时候，它们的比例非常接近：
13/3 = 1024/256
但是原图的尺寸不一定都是1024*1024，所以为了考虑形变与缩放，anchor有9个选择。
Faster R-CNN的训练时分步的，但是不是分阶段的，因为end-to-end的问题在fast R-CNN就已经解决了。前面说了Faster R-CNN =Fast R-CNN +RPN，所以训练的过程需要分步来完成，但是每一步都是end-to-end。
Step 1：训练RPN网络；用的是ImageNet上的初始模型，因为RPN是由自己的损失函数的，所以在这里可以先把RPN训练起来，但是在组合mini-batch做梯度回传的时候为了避免负样本（背景）偏多的情况，会人为的我们随机地在一个图像中选择256个anchor，其中采样的正负anchor的比例是1:1。如果一个图像中的正样本数小于128，我们就用负样本填补这个mini-batch。
Step 2：训练Fast R-CNN；训练好RPN之后，单独训练Fast R-CNN，此时Fast R-CNN是不与RPN共享卷积层的，也就是初始模型还是ImageNet上得到的，用的区域建议是RPN生成的，训练的过程在之前的文章就就介绍了。
Step 3：调优RPN，在这一步中将再次训练RPN，这不过这次的前五层卷积核与Fast R-CNN共享，用Step2中的结果初始化RPN，并固定卷积层，finetune剩下的层。
Step 4：调优Fast R-CNN，此时用的区域建议是Step3中调优后的RPN生成的，同样是固定了卷积层，finetune剩下的层。
上面这张图说明了Faster R-CNN的单图测试时间与mAP，可以看到，Fast R-CNN与R-CNN的时间与Object Detection系列（三） Fast R-CNN的说法不一样了，这是因为后者加上了ss算法的时间，大概2s左右的样子。
单图测试时间的大幅缩减，让Fast R-CNN能够真正意义上实现实时检测任务。但是吧，Faster R-CNN的性能评价是在8个K40 GPU上做出来的。
