目录
1.Faster RCNN的特点及优点：
- 性能优越：Faster RCNN通过两阶网络与RPN，实现了精度较高的物体检测性能。
- 两阶网络：相比起其他一阶网络，两阶更为精准，尤其是针对高精度、多尺度以及小物体问题上，两阶网络优势更为明显。
- 通用性与鲁棒性：Faster RCNN在多个数据集及物体任务上效果都很好，对于个人的数据集，往往Fine-tune（微调）后就能达到较好的效果。
- 可优化点很多：Faster RCNN的整个算法框架中可以进行优化的点很多，提供了广阔的算法优化空间。
- 代码全面：各大深度学习框架都有较好的Faster RCNN源码实现，使用方便。
2.存在的缺点及急需改进的地方
当然，原始的Faster RCNN也存在一些缺点，而这些缺点也恰好成为了后续学者优化改进的方向，总体来看，可以从以下6个方面考虑：
- 卷积提取网络：无论是VGGNet还是ResNet，其特征图仅仅是单层的，分辨率通常也较小，这些都不利于小物体及多尺度的物体检测，因此多层融合的特征图、增大特征图的分辨率等都是可以优化的方向。
- NMS：在RPN产生Proposal时为了避免重叠的框，使用了NMS，并以分类得分为筛选标准。但NMS本身的过滤对于遮挡物体不是特别友好，本身属于两个物体的Proposal有可能因为NMS而过滤为1个，造成漏检，因此改进优化NMS是可以带来检测性能提升的。
- RoI Pooling：Faster RCNN的原始RoI Pooling两次取整带来了精度的损失，因此后续Mask RCNN针对此Pooling进行了改进，提升了定位的精度。
- 全连接：原始Faster RCNN最后使用全连接网络，这部分全连接网络占据了网络的大部分参数，并且RoI Pooling后每一个RoI都要经过一遍全连接网络，没有共享计算， 而如今全卷积网络是一个发展趋势，如何取代这部分全连接网络，实现更轻量的网络是需要研究的方向。
- 正负样本：在RPN及RCNN部分，都是通过超参数来限制正、负样本的数量，以保证正、负样本的均衡。而对于不同任务与数据， 这种正、负样本均衡方法是否都是最有效的，也是一个研究的方向。
- 两阶网络：Faster RCNN的RPN与RCNN两个阶段分工明确，带来了精度的提升，但速度相对较慢，实际实现上还没有达到实时。因此，网络阶数也是一个值得探讨的问题， *如单阶是否可以使网络的速度更快，更多阶的网络是否可以进一步提升网络的精度等。
Original: https://blog.csdn.net/weixin_45564943/article/details/121877359
Author: 心之所向521
Title: Faster RCNN总结（优缺点说明）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/680289/
转载文章受原作者版权保护。转载请注明原作者出处！