Fast-RCNN

摘要

目标检测： Fast-RCNN.

Fast-RCNN使用几点创新来提高训练和测试速度和增加检查准确率。

介绍

深度卷积网络极大的改善了图片分类和目标检测。

目标检测是更具有挑战性的任务，要求更复杂的方法去解决。

“proposals： 候选框。

R-CNN and SPPnet

R-CNN存在的问题：

* 训练分多步：Training is a multi-stage pipeline.

训练昂贵和耗时的：Training is expensive in space and time

测试的时候比较慢：Object detection is slow

SPPnets提出是通过共享计算来加速R-CNN。

SPPnets显著的缺陷：the fine-tuning algorithm 调优算法。

调优算法不能够更新金字塔池化层之前的卷积层。

贡献——Fast R-CNN

输入：整张图片和一系列目标候选框。

对整张图像做卷积和池化产生卷积特征图。

ROI：单层金字塔池化。

The RoI pooling layer

Initializing from pre-trained networks

使用5个最大池化层和5到13个不等的卷积层的三种网络进行预训练。

Fine-tuning for detection：

为什么SPPnet不能更新金字塔池化之前的卷积池化的参数？

我们提出高效的方法：在整个训练阶段利用特征共享。

Multi-task loss

Mini-batch sampling

SGD hyper-parameters

* softmax classification and bounding-box regression

. Scale invariance ：尺度不变性

Truncated SVD for faster detection SVD分解

数据集：VOC 2010 and 2012

感想：

会知道如何研读论文，从论文中获得什么，以及如何在论文中发现自己的研究问题，并提出新的解决方法。