R-CNN系列

怎么全是重名

已于 2023-12-06 11:53:52 修改

阅读量343

点赞数 1

分类专栏：论文反馈文章标签：人工智能深度学习 rnn cnn

于 2023-10-23 09:48:02 首次发布

本文链接：https://blog.csdn.net/qihshe/article/details/133982678

版权

论文反馈专栏收录该内容

6 篇文章 0 订阅 ¥299.90 ¥399.90

订阅专栏

R-CNN系列介绍了从2014年的R-CNN到2019年的Libra R-CNN的发展，通过引入CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN和SSD等，解决目标检测中的效率和精度问题。SPP-net通过空间金字塔池化层提高了速度，Fast R-CNN通过RoI池化实现端到端训练，Faster R-CNN引入区域生成网络，SSD提出单阶段检测，Light-Head R-CNN优化了两阶段检测器的性能。

摘要由CSDN通过智能技术生成

文章目录

R-CNN（2014）
- Conclusion
SPP-net（2015）
- Conclusion
Fast R-CNN（2015.9）
- Conclusion
Faster R-CNN（2016.1）
- Conclusion
R-FCN: Object Detection via Region-based Fully Convolutional Networks（2016.6）
- Conclusion
SSD: Single Shot MultiBox Detector（2016.11）
- Conclusion
Light-Head R-CNN: In Defense of Two-Stage Object Detector（2017.11）
- Conclusion
Libra R-CNN: Towards Balanced Learning for Object Detection（2019.4）
- Conclusion
小结

R-CNN（2014）

哈哈
创新：
首次引入CNN来计算特征
通过选择性搜索提取一组对象建议，然后将每个提案重新缩放为固定大小的图像，并将其输入在ImageNet(例如AlexNet[40])上训练的CNN模型中以提取特征。最后，使用线性支持向量机分类器预测每个区域内物体的存在并识别物体类别。
(1)人们可以将高容量卷积神经网络(cnn)应用于自下而上的区域生成，以定位和分割对象;
(2)当标记训练数据稀缺时，对辅助任务进行监督预训练，然后进行特定领域的微调，可以显著提高性能
解决了：CNN定位问题和标记数据稀缺不足以训练大型CNN的问题
证明了：简单的边界盒回归方法可以有效地减少错误定位，而错误定位是主要的误差模式
RCNN在VOC07上的性能显著提升，平均平均精度(mAP)从33.7% (DPM-v5[43])大幅提高到58.5%<