更快的R-CNN：通过区域提案网络实现实时对象检测

更快的R-CNN：通过区域提案网络实现实时对象检测(中文16000字,英文PDF)
摘要 - 最先进的对象检测网络取决于区域提案算法来假设对象位置。 像SPPnet [1]和Fast R-CNN [2]这样的进步减少了这些检测网络的运行时间，使区域提案计算成为瓶颈。 在这项工作中，我们引入了一个与检测网络共享全图像卷积特征的区域提案网络（RPN），从而实现了几乎无成本的区域提案。  RPN是一个完全卷积网络，可以同时预测每个位置的对象边界和对象分数。  RPN是端对端进行培训，以生成高质量的区域提案，由快速R-CNN用于检测。 我们通过共享其卷积特征进一步将RPN和Fast R-CNN合并到一个网络中 - 使用最近流行的神经网络术语“注意”机制，RPN组件告诉统一网络在哪里看。 对于非常深的VGG-16模型[3]，我们的检测系统在GPU上具有5fps（包括所有步骤）的帧速率，同时在2012年PASCAL VOC 2007上实现了最先进的对象检测精度， MS COCO数据集，每个图像只有300个提案。 在ILSVRC和COCO 2015比赛中，更快的R-CNN和RPN是几个赛道的第一名获奖作品的基础。 守则已公开提供。
索引术语 - 对象检测，区域提案，卷积神经网络。