LLLMWIKI
ArticleMetadataMain page

Source note · Updated 2026-07-14

Faster R-CNN共享特征的区域提议网络

#near-cvpr-2025#object-detection#representation-learning#primary-source

Faster R-CNN：两阶段目标检测基线

一句话结论

Faster R-CNN 用共享整图特征的 RPN 学习候选框，把外部 proposal 算法纳入网络，建立了长期影响目标检测的两阶段范式。

问题定义

怎样同时保留高质量候选区域，又消除 Selective Search 等外部候选算法的速度瓶颈？

方法概述

RPN 对多尺度 anchor 预测目标性和位置偏移，筛选出的候选再由 Fast R-CNN 头分类和回归；主干卷积特征共享。

关键发现

  • 候选框可以由网络学习，并与检测任务共享表示。
  • VGG-16 历史配置在 VOC 2007 报告 73.2% mAP、约 5 fps。
  • 两阶段检测把“是否有物体”和“是什么、在哪里”拆成可优化模块。

局限或疑问

  • anchor、NMS 与两阶段结构增加复杂度。
  • 历史速度不可与现代硬件直接比较。
  • 共享特征不等于所有组件完全联合或无后处理。

原始链接

相关页面

Metadata
{
  "id": "2026-07-14-faster-r-cnn",
  "type": "source",
  "title": "Faster R-CNN：共享特征的区域提议网络",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "NeurIPS 2015",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "object-detection",
    "representation-learning",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Shaoqing Ren",
    "Kaiming He",
    "Ross Girshick",
    "Jian Sun"
  ],
  "published_at": "2015-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1506.01497",
    "https://papers.nips.cc/paper_files/paper/2015/hash/14bfa6bb14875e45bba028a21ed38046-Abstract.html",
    "https://arxiv.org/pdf/1506.01497",
    "https://github.com/rbgirshick/py-faster-rcnn"
  ],
  "raw_entry": "raw/ingest/2026-07-14-faster-r-cnn/",
  "analysis_note": "raw/ingest/2026-07-14-faster-r-cnn/analysis.md",
  "topics": [
    "topics/vision-task-foundations",
    "topics/computer-vision-overview"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}