Faster R-CNN

定义

Faster R-CNN 是任少卿、何恺明、Ross Girshick 和孙剑于 2015 年提出的两阶段目标检测算法，是 R-CNN、Fast R-CNN 的后继者，首次将候选区域生成纳入神经网络，实现了近乎端到端的检测。

原理

其核心创新是区域建议网络（RPN）：在骨干网络输出的特征图上滑动，以多尺度、多长宽比的锚框（anchor）为参考，直接预测候选区域及其前景概率，取代了缓慢的 Selective Search。候选区域经 RoI Pooling 提取定长特征后，由检测头完成分类与边框精修。RPN 与检测头共享卷积特征，大幅降低计算开销。

影响

Faster R-CNN 确立了"骨干网络 + RPN + 检测头"的两阶段范式，衍生出 Mask R-CNN 等系列工作，长期作为精度优先场景的基准模型。

应用

适用于对精度要求高、实时性要求相对宽松的场景，如遥感解译、医学影像和数据集标注辅助。