StepLeave的博客

一、为什么提出R-CNN目标检测性能停滞不前，性能最好的集成方法又太复杂，所以作者提出了一个既能大幅提升性能，又更简单的R-CNN。二、R-CNN的框架上面的框架图清晰的给出了R-CNN的目标检测流程：1) 输入测试图像2) 利用selective search算法在图像中提取2000个左右的region proposal。3) 将每个region proposal变换（warp）成227x227

一、为什么提出selective search1）exhaustive search缺点多，像搜索域大（计算量大）、搜索尺度固定。2）传统的segmentation方法，依赖于单个强大的算法，计算开销大。selective search用多个融合准则（grouping criteria）和表达（representation）来处理各种图像内容（三个臭皮匠，赛过一个诸葛亮）。二、selective s

一、为什么提出SPP-net传统的CNNs网络的不足：对输入图像要求固定尺寸，其原因是网络最后面的全连接层要求是固定长度的特征向量。R-CNN框架发现，对图像提完region proposal（2000个左右）之后将每个proposal当成一张图像进行后续处理(CNN提特征+SVM分类)，实际上对一张图像进行了2000次提特征和分类的过程，速度很慢！二、什么是SPP-net在CNN网络中最后一

Fast R-CNN 论文笔记一、为什么提出Fast R-CNN因为Fast R-CNN的前任R-CNN和SPP-net不给力。R-CNN训练分为多个阶段，步骤繁琐: 微调网络+训练SVM+训练边框回归器; 训练耗时又耗内存; 目标检测又慢。SPP-net虽然比R-CNN快一些，但和R-CNN同样存在训练步骤繁锁的问题，而且无法更新SPP-net之前的卷积层。二、Fast R-CNN的框架Fast

一、为什么提出Faster R-CNNFaster R-CNN的前身Fast R-CNN能达到实时检测，如果不考虑它用selective search计算region proposal所花时间的话。为此作者提出了Region Proposal Network(RPN)，该深度网络通过共享卷积网络，使计算region proposal的时间几乎可以忽略不计（10 ms/图）！

Phased LSTM