Fast R-CNN 论文笔记

Fast R-CNN 论文笔记

一、为什么提出Fast R-CNN

因为Fast R-CNN的前任R-CNN和SPP-net不给力。

R-CNN训练分为多个阶段,步骤繁琐: 微调网络+训练SVM+训练边框回归器; 训练耗时又耗内存; 目标检测又慢。

SPP-net虽然比R-CNN快一些,但和R-CNN同样存在训练步骤繁锁的问题,而且无法更新SPP-net之前的卷积层。

二、Fast R-CNN的框架

Fast R-CNN的输入: 一整张图像和一系列目标候选区域(object proposal)。

1)首先用convmax_pooling层处理整张图像,生成一张特征图(feature map)。

2)然后RoI_pooling层对感兴趣的部分区域(a region of interest)提取固定长度的特征向量。

3)特征向量通过全连接层后,分别输出到softmax层和bbox_regressor层。

Fast R-CNN

注意:

1)RoI_pooling层用的方法是,把 h×w 的感兴趣区域(RoI)分到固定大小的 H×W 网格中,然后对每一个网格取其最大值,这样得到的特征向量也是固定长度的,实际上这是SPP-net的一种特殊情况。

2)softmax层输出目标属于各类的概率大小,这里背景算额外的一类。

3)bbox_regressor层输出4维向量,描述一个框,即框的左顶点、长、宽。

三、Fast R-CNN的优点

1)相比较于R-CNNSPP-net,Fast检测质量更高(mAP)。

2)训练只有一个阶段,使用了多任务损失函数。

3)相比较于SPP-net,训练可以更新所有的层。

4)缓存特征时不需要硬盘存储。

四、Fast R-CNN的缺点

我若能发现就能先写出下一篇的Faster R-CNN了~_~

发现论文中的不足,是我急需要提升的能力。

五、Fast R-CNN的补充

作者在文中研究了一些问题。

1)多任务训练能起到帮助吗?

答:能。它能提高分类准确率。

2)尺度不变性:单尺度 or 多尺度?

答:实验表明单尺度检测几乎与多尺度检测同样好,说明深度卷积网络本身就能擅长直接学习尺度不变性。

3)需要更多的数据吗?

答:实验表明,更多的数据的确提高了准确率。

4)SVMssoftmax好?

答:实验表明,softmax表现还稍胜SVMs一筹。

5)候选区域是越多越好吗?

答:不见得。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值