Faster R-CNN

最新推荐文章于 2021-05-28 18:00:18 发布

BookIdiot

最新推荐文章于 2021-05-28 18:00:18 发布

阅读量616

点赞数

本文链接：https://blog.csdn.net/JH0lmes/article/details/80019236

版权

Faster R-CNN是R-CNN系列的进化版，通过引入Region Proposal Network（RPN）提高了目标检测的速度和准确性。RPN与Fast R-CNN共享卷积特征，实现了端到端的检测，显著提升了实时性。Faster R-CNN由RPN和Fast R-CNN两部分组成，通过 Anchor 机制和RoI Pooling进行目标检测。该算法在训练和测试阶段均表现出色，是深度学习目标检测领域的重要分支。

摘要由CSDN通过智能技术生成

参考链接：https://blog.csdn.net/wopawn/article/details/52223282

paper链接：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

Breakthrough

Fast R-CNN和Faster R-CNN是R-CNN的升级版本，在准确率和实时性方面都得到了较大提升。Fast R-CNN使用Selective Search的方法提取图像的候选目标区域，Faster R-CNN引入了RPN网络(Region Proposal Network)，将Proposal的提取部分嵌入到内部网络，实现了卷积层特征共享，因此整个网络模型可以完成端到端的检测任务，而不需要先执行特定的候选框搜索算法，显著提升了算法模型的实时性。

区别于SSD，Faster R-CNN是基于区域提名（Region Proposal）的方法。其核心改进是设计了一个Region Proposal Network(RPN)，代替了Selective Search、EdgeBoxes等方法，速度上提升明显；在每个图像位置输出一个预测的object bounding box和objectness score，这个网络与原来的Fast R-CNN共享conv feature map，几乎不增加计算量，能够大幅提高网络的检测速度。

rcnn家族算法的步骤：

一、RCNN

1.在图像中确定约1000-2000个候选框 (selective search)；

2.每个候选框内图像块缩放至相同大小，并输入到CNN内进行特征提取；

3.对候选框中提取出的特征，使用分类器判别是否属于一个特定类；

4.对于属于某一特征的候选框，用回归器进一步调整其位置。

二、Fast RCNN

1.在图像中确定约1000-2000个候选框 (ss)；

2.对整张图片输进CNN，得到feature map；

3.找到每个候选框在feature map上的映射patch，将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层；

4.对候选框中提取出的特征，使用分类器判别是否属于一个特定类；

5.对于属于某一特征的候选框，用回归器进一步调整其位置。