Fast R-CNN是一种比R-CNN更快的目标检测算法，通过使用VGG16网络和ROI Pooling层，训练速度提高了9倍，测试速度提高了213倍。该算法将分类和边框回归的损失合并，实现单阶段训练，并引入RoI Pooling层解决不同大小候选框的特征提取问题。尽管减少了重复计算，但仍然依赖于selective search生成region proposal，这是其主要缺点。
使用VGG16作为网络的backbone，训练速度比R-CNN快了9倍，测试速度快了213倍，并且在PASCAL VOC 2012上实现了更高的map；
与SPP Net相比，Fast R-CNN训练速度快了3倍，测试速度快了10倍，并且准确率更高；
——单阶段训练算法----分类与边框回归的loss合并，梯度回传
算法流程
输入——图像和对应的region proposal
一张图像生成1k~2k个候选区域region proposal（使用Selective Search方法）
将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图获得相应的特征矩阵
将每个特征矩阵通过ROI pooling（Region of Interest）层缩放到7×7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果
图像归一化为224×224直接送入网络。
前五阶段是基础的conv+relu+pooling形式，在第五阶段结尾，输入P个候选区域（图像序号×1+几何位置×4，序号用于训练）？
一次性计算整张图像特征 （不限制输入图像的尺寸）
R-CNN依次将候选区域输入卷积神经网络得到特征。
Fast R-CNN将整张图像送入网络，紧接着从特征图像上提取相应的候选区域。这些候选区域 的特征不
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
