【目标检测】RCNN算法详解

最新推荐文章于 2025-04-03 22:30:24 发布

shenxiaolu1984

最新推荐文章于 2025-04-03 22:30:24 发布

阅读量10w+

收藏 1.3k

点赞数 254

分类专栏：论文解读文章标签：目标检测深度学习 RCNN detection

本文链接：https://blog.csdn.net/shenxiaolu1984/article/details/51066975

版权

RCNN是深度学习目标检测的开创性工作，通过预提取候选区域，使用深度网络提取特征，并通过SVM进行类别判断和回归器进行位置精修。它解决了传统方法的速度和训练集问题，显著提升了目标检测的准确性。后续的Fast RCNN和Faster RCNN进一步优化了速度和性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2014.

Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更带领团队获得终身成就奖，如今供职于Facebook旗下的FAIR。
这篇文章思路简洁，在DPM方法多年平台期后，效果提高显著。包括本文在内的一系列目标检测算法：RCNN, Fast RCNN, Faster RCNN代表当下目标检测的前沿水平，在github都给出了基于Caffe的源码。

思想

本文解决了目标检测中的两个关键问题。

问题一：速度

经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断。

问题二：训练集

经典的目标检测算法在区域中提取人工设定的特征（Haar，HOG）。本文则需要训练深度网络进行特征提取。可供使用的有两个数据库：
一个较大的识别库（ImageNet ILSVC 2012）：标定每张图片中物体的类别。一千万图像，1000类。
一个较小的检测库（PASCAL VOC 2007）：标定每张图片中，物体的类别和位置。一万图像，20类。
本文使用识别库进行预训练，而后用检测库调优参数。最后在检测库上评测。