本文介绍了R-CNN系列的目标检测网络，包括R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN的发展历程和主要思想。R-CNN通过候选区域提取特征，Fast R-CNN实现端到端训练，Faster R-CNN引入RPN解决生成候选区域的瓶颈，而Mask R-CNN则增加了实例分割能力。
R-CNN系列的网络是经典的目标检测和分割的网络，其中提出的一些新算法可以让人为之激动啊。下面简单介绍一下这几个网络。
论文翻译：
R-CNN：https://blog.csdn.net/itlilyer/article/details/107190083
Fast R-CNN：https://blog.csdn.net/itlilyer/article/details/107764472
Faster R-CNN：https://blog.csdn.net/itlilyer/article/details/108049850
Mask R-CNN：https://blog.csdn.net/itlilyer/article/details/108441734
R-CNN
论文
论文地址：https://arxiv.org/abs/1311.2524
R-CNN(Regions with CNN features)：是13年发布的文章《Rich feature hierarchies for accurate object detection and semantic segmentation》文章中提出的，作者：Ross Girshick Jeff Donahue Trevor Darrell Jitendra Malik。
主要思想
2012年Krizhevsky等人的CNN网络加上LeCun的CNN网络中的技巧，使CNN的分类精度得到很大的提升并夺得ILSVRC的冠军。受此影响，R-CNN作者想要将CNN网络引入目标检测的任务，也是第一个将CNN网络应用于目标检测的。核心问题 是怎么将分类的结果应用到检测的任务中。为了解决这个问题,作者聚焦到两个问题上面：1）怎么通过深度网络来找到目标的位置；2）怎么使用少量标注数据来训练一个拥有大量参数的模型。
针对第一个问题，作者使用了候选区域的方式来解决在CNN中给目标定位的问题，过程主要分为三步：
1）每张输入的图片中提取2000个类别无关的候选区域)；
2）然后使用CNN为每一个候选区域提取固定长度的特征；
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
