Faster R-CNN
Parent: ai_keywords
Faster R-CNN
核心定义
Faster R-CNN（Faster Region-based Convolutional Neural Network）是一种端到端的目标检测深度学习框架，由Shaoqing Ren等人于2015年提出。它通过引入区域建议网络（Region Proposal Network, RPN），将候选区域生成与后续分类、回归任务整合到统一网络中，摒弃了传统选择性搜索等外部算法，实现了接近实时的检测速度与高精度，成为目标检测领域的里程碑架构。
关键技术点
-
区域建议网络（RPN）
RPN与共享的卷积特征图并行工作，在特征图上滑动一个小型网络（3×3卷积），对每个位置预测多个锚点框（Anchor）的前景/背景二分类以及边界框回归偏移量，从而生成高质量候选区域，避免独立计算。 -
锚点（Anchor）机制
在每个特征图位置预定义多尺度、多长宽比的参考框（通常为9种），使RPN能够检测不同形状和大小的物体，无需多尺度图像金字塔。 -
ROI池化与双分支输出
将RPN输出的候选区域映射到特征图上，通过ROI池化（ROI Pooling）将不同尺寸区域归一化为固定大小特征，送入后续全连接层：一个分支进行目标类别分类（Softmax），另一个分支进行边界框精修（回归）。 -
四步交替训练
采用联合训练策略：先独立训练RPN，再用RPN建议区域训练Fast R-CNN，然后固定共享卷积层微调RPN，最后固定RPN微调Fast R-CNN，实现端到端优化。
医学/神经科学应用场景
脑卒中病灶检测（结合首都医科大学宣武医院神经病学背景）：
在急性缺血性脑卒中或脑出血的CT/MRI影像中，Faster R-CNN可用于自动检测并定位低密度梗死灶、出血团块或微出血点。通过RPN高效捕获尺寸差异极大的病灶（从大面积梗塞到点状微出血），再以ROI池化提取高维特征，结合预训练模型（如ResNet）权重迁移学习，可在百毫秒级内输出病灶边界框与置信度，辅助急诊医师快速判断溶栓或介入治疗窗口。研究显示，基于Faster R-CNN的模型在脑出血检测灵敏度达0.94，优于传统滑窗法，尤其对深部基底节区小病灶的漏检率显著降低。未来可进一步融合弥散加权像（DWI）或多模态信息，提升对早期缺血半暗带的辨识能力。
