按时间顺序拆成 4 大段、12 个小步，并指出每一步用到的关键模块 / 公式 / 损失。
-
输入与数据准备
① 图像预处理-
Resize + Pad 到固定短边 600 px（可配置）
-
减 ImageNet 均值/方差
-
水平翻转、随机裁剪做数据增强
-
标注：每张图给出 N 个真值框 (x₁,y₁,x₂,y₂) 与类别标签
-
-
Backbone 特征提取
② 任选 CNN（ImageNet 预训练）-
VGG16/ResNet50+FPN 等
-
输出一组多尺度特征图 {C2,C3,C4,C5}（stride=4,8,16,32）
-
若无 FPN，只用末尾 conv5（C5, stride=16）
-
-
Region Proposal Network（RPN）——“生成候选框”
③ 在特征图上铺 Anchor-
3 尺度 × 3 长宽比 = 9 anchor/像素
④ 3×3 conv 滑窗 → 两条 1×1 兄弟分支 -
objectness 分类（2k 分数）：判断 anchor 是否包含物体
-
bbox 回归（4k 偏移）：Δx,Δy,Δw,Δh
⑤ 采样 256 个 anchor/图（pos:neg ≈ 1:3）
⑥ 计算 RPN 损失 -
分类：二值交叉熵 L_cls^RPN
-
回归：Smooth-L1，仅对正样本 L_reg^RPN
-
总损失 L_RPN = L_cls^RPN + λ·L_reg^RPN
⑦ 生成约 20k 框 → 按分数排序 → Top-k+NMS → 300 个候选区域 RoI
-
-
RoI Head（检测头）——“精细分类+二次回归”
⑧ RoI Align / RoI Pool-
把 300 个候选框映射到特征图 → 统一 7×7（或 14×14）网格
-
采样点用双线性插值（Align 版消除量化误差）
⑨ 两条并行全连接分支（共享 fc） -
分类：Softmax 输出 N+1 类（含背景）
-
回归：再一次 bbox 精修（Δx,Δy,Δw,Δh）
⑩ 采样 512 RoIs/图（pos:neg ≈ 1:3，IoU≥0.5 为正）
⑪ 计算 Fast R-CNN 损失 -
分类：多类交叉熵 L_cls^RCNN
-
回归：Smooth-L1 L_reg^RCNN
-
总损失 L_RCNN = L_cls^RCNN + λ·L_reg^RCNN
-
-
训练与推理差异
⑫ 训练阶段-
端到端联合训练：Backbone + RPN + RoI Head 三段损失反向传播
-
总损失 L = L_RPN + L_RCNN
⑬ 推理阶段 -
同样流程，但无需采样/损失；RoI Head 输出 300 框后 → 再做一次 NMS → 保留高置信度结果
-
-
可选增强（现代实现常用）
-
FPN：把 {C2,C3,C4,C5} → {P2,P3,P4,P5,P6}，RPN 与 RoI Head 都在多尺度上工作，小目标 AP 提升明显
-
ResNet-FPN + GroupNorm / Deformable Conv / Cascade 级联 head 等
-
数据：多尺度训练/测试、OHEM、在线难例挖掘