R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation

最新推荐文章于 2023-03-23 19:30:53 发布

熊彬程的博客

最新推荐文章于 2023-03-23 19:30:53 发布

阅读量873

点赞数

分类专栏：深度学习-目标检测深度学习-目标检测算法从RCNN到SSD 文章标签： R-CNN 目标检测

本文链接：https://blog.csdn.net/xbcreal/article/details/76035979

版权

本文详细介绍了R-CNN（Rich feature hierarchies for accurate object detection and semantic segmentation）的工作原理，包括其测试和训练阶段的流程。R-CNN通过Selective Search提取潜在目标，使用预训练的AlexNet模型进行特征提取，再利用SVM进行分类，有效地实现了目标检测。此外，文章还提到了R-CNN在内存管理和参数共享方面的优势。

摘要由CSDN通过智能技术生成

      阅读这篇博客之前建议先阅读R-CNN之前的准备：Efficient Graph-Based Image Segmentation 以及R-CNN之前的准备：Selective Search for Object Recognition，这两篇博客讲的内容都是R-CNN的重要组成部分，先阅读他们可以帮助更好理解R-CNN。
      首先上图，说明R-CNN的组成。该图表示的是R-CNN模型在测试(test)阶段的过程，后续还将写到训练(train)阶段的过程。
这里写图片描述
      如图所示，R-CNN的输入是一张任意尺寸的图片，输出是图片中各个物体所在的位置(locations)，在R-CNN系统的中间，总共分为三个模块来完成这个功能。
      [1]利用R-CNN之前的准备：Selective Search for Object Recognition方法，给定一张图片，从中提取出大约2k的可能是物体的位置(理解为locations、proposals、regio