---
title: "加速區域卷積網路（Faster R-CNN）"
slug: faster-r-cnn
language: zh-TW
source: https://aiterms.tw/terms/faster-r-cnn
updated_at: 2026-04-29
tags: [深度學習, 電腦視覺, 模型訓練, AI應用, 神經網路]
ipas_term: false
---

# 加速區域卷積網路（Faster R-CNN）

> **你有沒有看過一張照片裡有好幾個物件，模型卻要找很久才標得出來？**
>
> 你可以把 Faster R-CNN 想成先找可疑位置，再做精準確認的偵測流程，先縮小範圍，再判斷那裡是不是目標。
>
> 它重要，是因為物件偵測不只要知道「有沒有」，還要知道「在哪裡」，而這一步常比單純分類更費算力。

### 容易混淆
> **Faster R-CNN vs R-CNN**
> R-CNN 先找區域、再逐個丟給分類器，流程比較慢。
> Faster R-CNN 把區域建議做得更自動，速度和整合度都更好。
>
> **錨框 vs 邊界框偵測**
> 錨框是先放好的候選參考框。
> 邊界框偵測是最後真正輸出的物件位置，兩者不是同一件事。

### 記住這句就好
> 先找可能的位置，再判斷是不是目標，就是 Faster R-CNN。

### 實際案例
> **路口監視器**
> 先從畫面裡找出可能有車、人、機車的位置，再做分類和框選，速度比逐格人工看快很多。
>
> **工廠品管**
> 產線照片裡若要抓瑕疵位置，先用候選區域縮小檢查範圍，再做精細判讀會更有效率。

### 算法與應用
> 它的核心是區域建議網路 RPN，會先提出可能含有物件的區域。
> 接著共享卷積特徵，對候選區域做分類與邊界框回歸，形成兩階段偵測流程。

### 情境判斷
> **Q1：如果你要做圖片裡的人臉偵測，Faster R-CNN 會比只做分類更合適嗎？**
> → 會，因為你不只要知道有沒有臉，還要知道臉的位置，這正是物件偵測要解的問題。
>
> **Q2：如果你要在超低延遲手機端即時偵測，Faster R-CNN 一定是最佳選擇嗎？**
> → 不一定，因為它是兩階段流程，通常較重；若裝置算力有限，可能要看情況改用更輕量的偵測器。

### 常見問題
> **Q：Faster R-CNN 為什麼比舊版快？**
> 因為它把區域建議自動化，減少很多手工搜尋候選區域的成本。
>
> **Q：RPN 在做什麼？**
> 它負責提出可能有物件的區域，讓後面的分類與框選更集中。
>
> **Q：Faster R-CNN 適合什麼場景？**
> 適合需要較高準確率、可接受多一點計算量的物件偵測工作。
>
> **Q：錨框一定要很多嗎？**
> 不一定，數量和尺寸要配合資料集中的物件大小與比例，太多會拖慢計算。

### 相關術語
> - **物件偵測**：先讀懂這個大概念，再看 Faster R-CNN 會知道它解的是哪一類問題。
> - **錨框**：理解它，才知道候選區域是怎麼被提出來的。
> - **邊界框偵測**：最後輸出的座標就在這裡。
> - **非極大值抑制**：多個重疊框最後要怎麼去重，離不開它。
> - **卷積神經網路**：Faster R-CNN 的特徵抽取主幹通常離不開它。

---

來源：https://aiterms.tw/terms/faster-r-cnn
快查頁：https://aiterms.tw/terms/faster-r-cnn
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-faster-r-cnn