Fast R-CNN
R-CNN中存在的的问题
1、 测试速度慢
R-CNN中用CNN对每一个候选区域反复提取特征,一张图片中的2000个候选区域之间有大量的重复部分,浪费了大量的计算,Fast R-CNN则将整个图像送入CNN网络,卷积层不进行候选区的特征提取,而是在最后加一个池化层加一个候选区域坐标信息进行特征提取的计算。
2、 训练速度慢
3、 训练所需空间大
R-CNN中目标分类与候选框的回归是两个独立的操作,需要大量的特征作为训练样本。Fast R-CNN将目标分类与候选框回归统一到CNN网络中,不用额外的存储特征
补充:SPPNet)(Spatial Pyramid pooling in Deep Convolutional Networks for Visual Recognition)
1、 解决了CNN的输入必须要求固定图像尺寸的限制(在最后一层卷积层后用金字塔池化层代替普通池化层)
2、 在目标检测领域提高了提取特征的效率(首先通过选择性搜索对待检测的图片搜索出2000个候选窗口,然后把待测图片输入到神经网络中,进行一次特征提取ÿ