Faster RCNN原理：Region Proposal Networks解析

该网络是Faster RCNN提出的一种新型proposal生成网络. 它取代了RCNN和Fast RCNN中的Selective Search方法, 将相关组件融合到同一个网络架构中, 从而显著提升了检测速度. （注意: 本文语言水平有限, 如有不足之处, 欢迎批评指正）

缩进在正文前，还要多解释几句基础知识，已经懂的看官老爷跳过就好。

就单通道图像配合单卷积核进行卷积运算而言, 上述内容已有详细说明（可参考图4所示）；
至于多通道图像与多卷积核结合进行卷积运算, 其具体计算流程如下所述：

图1 多通道+多卷积核做卷积示意图（摘自Theano教程）

参考图2中所示的内容可知：输入图像layer m-1具有4个通道，并同时包含了两个不同的卷积核（w₁和w₂）。针对卷积核w₁的操作是，在输入图像的每个通道上独立进行一次卷积运算，并将各通道计算得到的结果相加汇总为该层最终输出；同样的操作也适用于另一个滤波器（即滤波器w₂）。因此，在任何给定的卷积层中（无论其接收了多少个输入渠道），其输出渠道的数量始终等于该层所使用的滤波器数量。值得注意的是，在这种情况下（即多渠道进行一次1×1大小的