RCNN学习笔记

1、摘要

RCNN 2个关键点: 1、为了定位和分割目标,使用CNN自下而上的提取区域候选框。2、当标记的训练数据稀缺的时候,监督预训练作为辅助任务,对特定领域微调,对性能有显助提升。

bottom-up:
fine-tuning:

1、目标检测

目标检测需要在图像内定位许多物体。

1、regression problem

这种方法实际使用不好使。在VOC2007, mAP只有 30.5%

2、sliding-window detector

这种方法应用到CNNs。但是为了保持较高的空间分辨率(high spatial resolution),这些CNNs只有2个卷积层和池化层。(为什么这样呢?)
对于一个深层网络,用滑动窗口精确定位。。呵呵
OverFeat采用 sliding-window CNN。ILSVRC2013 detection。 mAP = 24.3%

3、recognition using regions

R-CNN:Regions with CNN features。ILSVRC2013 detection。 mAP = 31.4%。

2、训练数据不足

在大数据集上采用 supervised pre-training.
在小数据集上采用特定的fine-tuning。
supervised pre-training:
fine-tuning;

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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