**
R-CNN算法优化策略
**
1,两阶段检测的进阶模型
首先进行数据处理,然后输入backbone得到特征图,然后进入RPN中提取候选区域roi,然后再ROI Align提取特争,然后送入BBox Head进行进一步的回归和分类。
主要介绍方面
第一步主要解决多尺度问题,预测物体大小
第二部算是fastRNN的局部表示图主要用最后一层对下一步进行输入。
第三步卷积神经网络存在下采样,在不同深度存在不同特征,
第四步fpn将不同层的特征相互融合,将特征展现得更加全面。
骨干网络和fpn相对独立,然后我们以resnet的骨干网络为例,蓝色部分resnet网络结构输出层从浅至深命名为c2–c5然后每层经过一个1*1的卷积然后在进行上采样,然后和上一层的卷积相加,然后每一层的特征相互融合。
第一个变化就是anchor,在fastRCNN是在一张特征图里产生的,但是现在fpn会生成多张特征图,并且尺寸还不一样,这时我们可以将面积不同的anchor分配到不同的类别中。
多个特征图用多个head来去预测不同尺度上的预选框。
大的ROI放进深的层次去学习,小的ROI放进浅的ROI学习
总结: