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
1658
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
