哈喽大家好,我是蒙特卡洛家的树。时间到了2016年,fastrcnn问世一年,何凯明老师就立刻提出了更快的算法,fast的名字被占用了,所以干脆就叫faster rcnn了。之前fastrcnn上说他跑一帧只需要0.几秒,其实这里玩了一个文字游戏,因为这里跑一帧只是神经网络部分,并没有涵盖region proposal的时间。而fast rcnn最耗时的部分就是region proposal部分,那一步就已经是秒级别的了,所以要优化速度不得不从这里开刀。而何凯明老师提出的fasterrcnn就正是从这里入手,大大优化region proposal的速度。使得全部过程在GPU上跑可以达到一秒五帧了。
我们知道,之前的RCNN region proposal的方法用的都是基于梯度的selective search,这个方法目前没有现成利用GPU版本的,所以会成为一个瓶颈。论文上还说了一句,把他写成GPU的也不是不可以,只不过这是工程上的优化了,做了这个我们就错事做研究的机会了。哈哈。皮一下很开心。那么不用selective search用什么去找候选框呢?这就是这篇论文所提出来的RPN网络,region proposal network。直接用神经网络去找候选框。因为据观察FAST RCNN本身就可以生成边框,所以干脆直接在网络之前加上一个神经网络,让他去生成边框就好了。
RPN是由一个一个anchor组成的,其实只是换汤不换药,基本上还是传统的金字塔搜索方法,预设了选三种尺度,三种长宽比,一共九种大小anchor在featuremap上滑动,因为f
目标检测-Faster RCNN
最新推荐文章于 2023-05-21 10:49:27 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)