网络结构

网络结构

细节

细节图

网络实现（以VGG16为例）

VGG16

分析

卷积层

1. 图片输入224 * 224 * 3；
2. 通过VGG16的前5层，得到14 * 14 * 512的输出，即特征图，在此过程中，图片缩放了16倍（经过了四个池化层）；

候选区域选择

对原图像进行候选区域选择；

ROI区域选择

通过selective search，可以得到多个候选区域（针对原图），根据缩放比例（例如16倍）可以得到特征图上对应区域的位置和大小（取整）。为了输入到全连接层，每一个区域缩放为固定大小W * H（7 * 7），那么每一个区域的宽高缩放比例分别为w/W和h/H。以此得到一系列相同大小的特征图。
通过区域选择，该层代替了原VGG16的第五层池化层，得到7 * 7 * 512的多幅特征图像。

全连接层

其后连接两个大小为4096的全连接层（全连接 + ReLu + Dropout）。

分类和回归

分类

以全连接层的输出为输入，输出为21个分类（20个目标，1个背景），然后使用SoftmaxWithLoss计算分类损失。

Bbox预测

同样以全连接层的输出为输入，输出为Bbox的预测位置，然后使用SmoothL1Loss计算损失。