CV之DL之FastR-CNN：Fast R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

本文链接：https://blog.csdn.net/qq_41185868/article/details/82870568

CV之DL之FastR-CNN：Fast R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

相关论文

《Fast R-CNN》翻译与解读

地址	论文地址：https://arxiv.org/abs/1504.08083
时间	2015年4月30日
作者	Ross Girshick
总结	这篇论文提出了一个快速区域神经网络(Fast Region-based Convolutional Network，Fast R-CNN)方法用于目标检测。主要贡献和要点如下：背景 (1) 现有目标检测方法如R-CNN和SPPnet训练和测试速度慢，算法复杂。 (2) 目标检测需要处理大量区域 proposals，并对定位进行精细化，增加了难度。总体方法：Fast R-CNN采用单阶段联合训练算法，同时学习如何分类proposals和优化其空间位置。网络结构：Fast R-CNN网络输入整张图像和一组proposals。使用卷积和最大池化层提取特征映射，然后对每个proposal使用ROI pooling层提取固定长度特征向量。训练方 (1) 使用多任务损失函数同时训练分类和位置回归。 (2) 采用分层采样策略，提高训练速度。 (3) 可以更新卷积层参数，提高精度。实验结 (1) 在PASCAL VOC 2007、2010和2012数据集上均获得状态优先的mAP结果。 (2) 相比R-CNN和SPPnet，Fast R-CNN训练和测试速度都有很大提升。 (3) 可以更新卷积层后，精度更高。总之，Fast R-CNN采用了单阶段联合训练方法，利用特征共享提高训练效率，同时保留端到端精调能力，大幅提升了目标检测任务的训练和测试速度，同时也实现了更高的检测精度。解决了传统方法训练速度慢、算法复杂的问题。

Abstract

This paper proposes a Fast Region-based Convolutional Network method (Fast R-CNN) for object detection. Fast R-CNN builds on previous work to efficiently classify object proposals using deep convolutional networks. Compared to previous work, Fast R-CNN employs several innovations to improve training and testing speed while also increasing detection accuracy. Fast R-CNN trains the very deep VGG16 network 9x faster than R-CNN, is 213x faster at test-time, and achieves a higher mAP on PASCAL VOC 2012. Compared to SPPnet, Fast R-CNN trains VGG16 3x faster, tests 10x faster, and is more accurate. Fast R-CNN is implemented in Python and C++ (using Caffe) and is available under the open-source MIT License at this https URL.

这篇论文提出了一种用于目标检测的快速基于区域的卷积网络方法（Fast R-CNN）。Fast R-CNN在先前的工作基础上，利用深度卷积网络高效地对目标提议进行分类。与以往的工作相比，Fast R-CNN采用了若干创新，以提高训练和测试速度，同时提高检测准确性。Fast R-CNN训练非常深的VGG16网络比R-CNN快9倍，在测试时速度提高了213倍，并在PASCAL VOC 2012数据集上实现了更高的mAP。与SPPnet相比，Fast R-CNN训练VGG16网络的速度提高了3倍，测试速度提高了10倍，并且更加准确。Fast R-CNN采用Python和C++（使用Caffe）实现，并在此 https URL 下以开源MIT许可证的形式提供。