# [D22] 物件偵測(3)
上一篇我們認識了基本的 R-CNN 和 Fast-RCNN，接著來看 Faster RCNN！

* **Faster RCNN**
Fast R-CNN的改進，包括了減少在 R-CNN 重複提取特徵的缺點，將 ROI 映射到 feature maps 上，並用 ROI pooling 統一維度等等。
但是為了迎來更快的偵測速度，在 Proposals 上的處理也需要更有效率。
Faster RCNN 就是依據前兩個模型為基礎做改進，主要是以＂RPN＂和＂Anchor box＂的配合取代了 Selective Search！

* RPN：接收一個 feature map 作為輸入 ，輸出一系列目標物體出現**可能性較高**的候選框。

* Anchor box：使用 RPN 的目標是對候選框的回歸，而網絡不可能自動生成任意大小的候選框，這時就需要 Anchor ，Anchor 會根據feature map 在原圖片上劃分出很多大小、寬高比不相同的 Anchor box。

feature map 上一個像素可以映射到原圖上 16 x 16 的區域大小，然後按照 1：2 ，1：1 ，2：1 三種比例生成 Anchor box。

機器只取機率前 300 高的 anchor box 進入後面的程序，這樣足以獲得很好的結果，也同時節省運算時間。那要怎麼辨別 anchor box 的去留呢？

1. 與 ground truth 有最大的 IoU。
2. 與任一個 ground truth 的 IoU 大於 0.7。

> IoU：Intersection over union，**框框的交集面積**除以**框框的聯集面積**，值會介於 0～1 之間（0 表示預測位置與標準答案之間一點邊都沒碰到；1 表示預測位置完全吻合標準答案）
[圖片來源1](https://ivan-eng-murmur.medium.com/object-detection-s3-faster-rcnn-%E7%B0%A1%E4%BB%8B-5f37b13ccdd2)
[圖片來源2](https://www.hhyz.me/2018/05/28/IoUmAP/)
[論文](https://www.semanticscholar.org/paper/Faster-R-CNN%3A-Towards-Real-Time-Object-Detection-Ren-He/424561d8585ff8ebce7d5d07de8dbf7aae5e7270)