论文题目:Fast R-CNN
所谈对象:Fast R-CNN
对照模型:R-CNN、SPPnet
析:主要解决了R-CNN的一些问题
Fast R-CNN的优点:
①更高的maAP
②训练可以更新所有网络层
③特征存储不需要磁盘空间
④训练是单阶段的,使用多任务损失
Fast R-CNN的流程:
首先和R-CNN一样使用selective search找出2K个候选框,
然后把一整张图片放入到卷积网络中进行特征提取(此处和R-CNN不同,R-CNN是将2k个候选框中的图像放入其中),获得其特征图,
之后对每一个候选框在特征图中找到其对应位置,截取出相应框图,
然后特征框进行ROI池化(ROI池化,将每个特征框划分为 H*W个网格,在每个网格内进行池化),
再将池化后的向量拉长,并且作为F层的输入,同时输出两个值,一为softmax(即每一类的概率),二为bounding box 回归(即R-CNN中的预测框)
最后对输出的得分矩阵使用非极大抑制方法选出少数框,对每一个框选择概率最大的类作为标注的类,根据网络结构的第二个输出,选择对应类下的位置和大小对图像进行标注