候选区域:
在滑动窗口算法中,使用训练好的分类器在图像中滑动,或者后面使用卷积网络预测图像时都会有一个缺点:在显然没有任何对象的区域浪费时间。
上图矩形框中,我们明显知道上面没有任何目标,但是网络还会再上面进行预测。
R-CNN算法(带区域的卷积网络)–选出一些区域,再这些区域上运行卷积网络分类器是由意义的。
选出候选区域的方法是运行图像分割算法
在色块突出的地方选择一个方框,在上面运行分类器,即可得到分类结果,可能有,可能没有。但是这样处理的位置会比全图进行分类器少很多,可以减少卷积网络分类运行时间。
R-CNN 运行很慢,要求使用某种算法求出候选区域,然后对每个候选区域跑一下分类器,每个区域会输出一个标签和一个边界框,这样就可以得到一个精确的边界框,而不是直接输入候选区域的框。
fast R-CNN 使用卷积实现了滑动算法,主要是滑动窗口的卷积实现,可以显著提升R-CNN的速度。
faster R-CNN 解决得到候选区域的聚类步骤依然很缓慢。使用卷积神经网络,取代传统的分割算法,来获取候选区域色块。