【没有哪个港口是永远的停留~ 论文简读】R-CNN、Fast R-CNN 、Faster R-CNN

论文：R-CNN [code]

论文：Fast R-CNN [code]

论文：Faster R-CNN [code]

 

R-CNN:

Region proposals:采用Selective Search 方法(分割->合并) 生成候选框

 

Feature extraction:对每个候选区域，resize成227*227尺寸，使用深度卷积网络提取特征 （CNN）

 

Object category classififiers：一旦提取特征并应用训练标签，我们就对每个类优化一个线性SVM。 

 

 

Fast R-CNN:

解决R-CNN速度精度问题

 

1. 对整张大图CNN（而不是每个候选区进行CNN）
2. RoI pooling layer: 每个预测框的RoI由一个四元组(r，c，h，w)定义，它指定其左上角(r，c)及其高度和宽度(h，w)。RoI max池的工作方法是将h×w RoI窗口划分为H×W网格,得到一个统一大小的输出
3. 分类loss+区域loss

 

Faster R-CNN:

 

Region Proposal Network (RPN)

1. 引入RPN(为feature map的每一个点都预先定义k个anchor box,再由该点的特征来表示对anchor box调整与类别预测)

2. ROI pooling：RPN预测后的proposal 由2000个靠score筛选签300个进行POI poling然后loss计算等