论文阅读笔记:Object Detection Networks on Convolutional Feature Maps

本文是关于CVPR 2015中深度学习和目标检测的研究,探讨了不同方法,包括R-CNN、SPPnet和Hybrid派,并提出固定预训练的ConvNet在特征图上训练NoCs(Network on Convolutional feature maps)的思路。实验表明,预训练+微调效果最佳,而精心设计的网络(如ConvNet with maxout)性能提升显著。
摘要由CSDN通过智能技术生成

这是CVPR 2015的一篇 关于深度学习和目标检测的文章,作者是MSRA的Shaoqing Ren, Kaiming He等。文章下载链接:http://yunpan.cn/cQS7v5ruHFKek 提取码 179e

阅读总结如下(思想重要,实验暂略):

1. 当前的目标检测方法

  • 总体框架是 feature extractor + object classifier。
  • 传统方法:HOG/SIFT/LBP + SVM/boosted/DPM 。
  • 当前方法又细分为三个流派。
  • 第一种 fine-tuned ConvNet + MLP,以R-CNN为代表。
  • 第二种是想把deep ConvNet 和 traditional detector做一个结合。把传统的 feature extractor 升级为 pre-trained deep ConvNet,但是用传统的分类器,即 pre-trained ConvNet +DPM/boosted, 称为Hybrid派。
  • 第三种方法介于R-CNN和Hybrid之间,pre-trained ConvNet + fine-tuned MLP,以SPPnet为代表。 从性能上来说,R-CNN还是占统治地位,SPPnet和R-CNN接近,Hybrid方法一般要比前两者差点。

2. 问题的提出

  • 当前方
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
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、付费专栏及课程。

余额充值