这篇博客主要讲述基于R-CNN框架的另一个变种的目标检测方法,名为R-FCN: Object Detection via Region-based Fully Convolutional Networks,这篇论文提出的方法在一些数据集上的表现已经超过了Faster R-CNN + resNet的表现,下图可以说明这种情况。
以上是在VOC2012的Leaderboard上面的实时数据,不仅仅是比Faster R-CNN准确率高,而且还比Faster R-CNN快至少2.5倍,但也有缺点,那就是虽然比Faster R-CNN快,但还是不能达到实时的检测的效果,也就是没有快到实时的程度。这种又快又好的模型是很值得我们学习的。说到又好又快,SSD也算一个,但这种直接回归坐标的方法的准确率确实比region-based的方法要低一些,至少在目前所了解到的模型里面这句话是成立的。
进入正题,和R-CNN一样,本文的方法做目标检测依然是分为了两个步骤,即提出检测建议(detection region proposals)和对这些检测建议进行分类。虽然前面我们讲过有直接不用提出检测建议而是使用回归的方法,代表性的有YOLO以及SSD,但这些方法的准确率确实相对要低一些。YOLO不用说,看过之前的博客的会知道这个方法重点在快,但mAP要比Faster R-CNN
R-FCN: Object Detection via Region-based Fully Convolutional Networks
最新推荐文章于 2020-08-06 17:57:03 发布