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