深度学习目标检测之 R-CNN 系列: 从 R-CNN 和 Fast R-CNN 到 Faster R-CNN 总览
深度学习目标检测之 R-CNN 系列包含 3 篇文章:
- 深度学习目标检测之 R-CNN 系列: 从 R-CNN 和 Fast R-CNN 到 Faster R-CNN 总览
- 深度学习目标检测之 R-CNN 系列:Faster R-CNN 网络详解
- 深度学习目标检测之 R-CNN 系列:用 Faster R-CNN 训练自己的数据(caffe 版)
1. 前言
这一篇文章主要是从 R-CNN 的发展历程来介绍各个版本的 R-CNN 是如何发展的。
R-CNN(Regions with CNN features) 是基于深度学习的早期目标检测框架发展起来的。如果按照 one-stage 和 two-stage 的分类, R-CNN 系列属于 two-stage 的方法,即第一步得到包含目标的候选区域,第二步对候选区域进行分类和校准,得到最终的检测结果。
R-CNN 系列是目标检测中的重要里程碑, 整个 R-CNN 系列中现在应用较多的是 Faster R-CNN,但是为了更清楚的理解 Faster R-CNN,所以还是从 R-CNN 讲起。
2. R-CNN
R-CNN 在 VOC 2012 上大放异彩,mAP 提升超 30%,其在检测任务上的意义不亚于同年 AlexNet 在分类任务上的突破。R-CNN 后来(2014年)被整理并发表于 Rich feature hierarchies for accurate object detection and semantic segmentation Tech report 。
如原文开篇所说, R-CNN 主要解决了两个问题