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。