faster rcnn是RCNN家族的第三个版本，它于2015年提出，基本上延续了fast rcnn的思路。不同的是faster rcnn采用单独的卷积神经网络（RPN）来进行区域候选，极大的提高了生成区域候选的速度，这使得网络可以端到端的训练。faster rcnn可以看做是fast rcnn + RPN。
本文主要介绍faster rcnn的总体思路和架构，试图对该网络有一个大概的了解。
如下图所示，整个网络共包含三个模块，骨架网络（VGG），区域候选网络（RPN），fast rcnn。图像首先通过骨架网络（这里使用的骨架网络是vgg16）进行特征提取得到特征图，然后区域候选网络（RPN）会使用特征图来生成区域候选，最后生成的区域候选会和特征图一起进入fast rcnn网络，最终分别通过回归层和分类层输出边界框的坐标偏移以及类别概率。
可以看到，fast rcnn网络和rpn共享卷积权重，这可以有效的减少计算量。
下图与上图稍微有些不同，但同样表示了faster rcnn的整体架构，也是faster rcnn代码的主体结构，同时展示了每个子网络的输出和输出大小。图中RPN包含了上图RPN中的3个卷积层，head包含上图中ROI Pooling及其之后的部分。
下一节，我会重点介绍RPN的具体结构以及代码实现
Reference：
Ren, Shaoqing, et al. "Faster r-cnn: Towards real-time object detection with region proposal networks."_Advances in neural information processing systems_. 2015.
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。