[caffe]深度学习之CNN检测object detection方法摘要介绍

近一两年cnn在检测这块的发展突飞猛进,下面详细review下整个cnn检测领域模型的发展,以及在时间性能上的发展。

一、RCNN

流程:

Extract region(off model) + extract features(on model) + classifyregions according feature (svm or softmax)

性能:


精度:

 

二、SPP-NET

流程:

先做conv,再根据window提取特征。为什么rcnn不能也这么做呢?原因在于spp对不同尺度进行了max pool处理能更好的满足不同尺度window的特征表达。

性能:

核心思想在全图只做一次conv,这个和overfeat的思想一致

 

精度:

三、FAST-RCNN

流程:

引入了ROI层pooling,以及multi-task同时训练分类和检测框。

性能:

Compared to SPPnet, Fast R-CNN trains VGG163× faster, tests 10× faster, and is more accurate.

另外还额外提出了fc层SVD的思想


Vgg时间性能分析

 

精度:

The improvement of Fast R-CNN over SPPnetillustrates that even though Fast R-CNN uses single-scale training and testing,fine-tuning the conv layers provides a large improvement in mAP (from 63.1% to66.9%). Traditional R-CNN achieves a mAP of 66.0%. These results arepragmatically valuable given how much faster and easier Fast R-CNN is to trainand test, which we discuss next.

 

 

 

 

四、FASTER-RCNN

流程:

在fast-rcnn的基础上,借鉴了FCN的思路,将proposal阶段转化成一个layer加进了网络一起学习。


性能:

cost-free for proposal

精度:

our detection system has a frame rate of5fps (including all steps) on a GPU, while achieving state-of-the-art objectdetection accuracy on PASCAL VOC 2007 (73.2% mAP) and 2012 (70.4% mAP) using300 proposals per image

 

 

 

©️2020 CSDN 皮肤主题: 大白 设计师: CSDN官方博客 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值