Faster R-CNN

Faster R-CNN（Ren 等人，2015）完成了從 R-CNN 到一個完全端對端可訓練、純 GPU 的兩階段偵測器的旅程，方法是移除最後一個緩慢、手工打造的元件：外部提議生成器。其洞見是：為偵測而已經算好的卷積特徵圖，也已包含提議區域所需的一切——於是它加裝一個小型區域提議網路（RPN），直接從那些共享特徵中生成提議，幾乎不花成本。

其架構是兩個共享一個骨幹的頭。第一階段，即 RPN，在特徵圖上滑動，並在每個位置、每個錨框上預測一個物件性分數與四個框微調偏移量，輸出幾百到幾千個提議。第二階段本質上就是 Fast R-CNN：對每個提議內的特徵做 RoI 池化（後來改為 RoIAlign），再跑分類 + 框回歸的頭。由於兩階段讀的是同一張特徵圖，提議生成只多花幾毫秒——提議時間從約 2 秒（Selective Search）降到約 10 毫秒。

訓練會共同最佳化四個損失：RPN 物件性（二元交叉熵）與 RPN 框回歸，外加第二階段的分類（對 K+1 類別的 softmax）與框回歸。原始論文用一種交替的 4 步訓練流程，讓兩階段共享特徵；後來證明它們可在一次傳遞中一起訓練（近似聯合訓練）。其成果是當時最先進的準確度，並依骨幹不同達到約每秒 5–17 幀。

Faster R-CNN 成為兩階段偵測器的典範，也是一整條研究血脈的基幹：Mask R-CNN 在其上加了實例分割遮罩頭與 RoIAlign；特徵金字塔網路（FPN）則接入以跨尺度偵測物件。它「先提議、再驗證」的兩階段設計通常能給出頂尖準確度——尤其在小物件上——代價是比 YOLO 或 RetinaNet 這類單階段偵測器更慢、更複雜。