浅小思的博客

RCNN:基于丰富层次特征的精确目标检测和语义分割rbg大神将深度卷积网络引入目标检测领域，大幅提高了准确度和精度。并由此产生一系列改进算法。从RCNN -> SPP-NET -> Fast RCNN -> Faster RCNN 准确度和速度一步步提高，最终近乎于实时的水平。 本周粗略看了这几篇论文，总结一下方便以后回顾以及和大家讨论。 （未完待续，码字中…）摘要和引言传统的目标检测方法主要是

SPP-NET:基于空间金字塔池化深层卷积神经网络的视觉模式识别还记得RCNN一文中提到的缺点之一吗，CNN需要为每一个region proposal进行一次卷积特征提取，尤为耗时。SPP-NET就可以很好的解决这个问题啦，您请往下看。CNN网络一般需要一个固定大小的图片输入，因此我们需要将图片转换成指定大小，而这样会改变图像的分辨率，比例而影响效果。而卷积-池化层是不需要固定输入的，输出会等比例缩

摘要及引言SPP-NET大幅度提高了RCNN的训练速度，但是仍然一些问题，本文从以下问题出发提出了Fast R-CNN，进一步提高了速度和精度。SPP-NET和RCNN的训练都是多阶段的过程：首先训练CNN网络用以提取特征，然后训练SVM用作检测器，然后训练bounding-box回归精细化目标具体位置。训练耗时且耗费大量空间：对于SVM以及bounding-box回归的回归训练首先需要先将提取

git地址：https://github.com/rbgirshick/py-faster-rcnn 本文对于git上的要求做了翻译，对于一些可能遇到的坑做了修改。 关于CUDA、CUDNN等软件安装请参照：http://blog.csdn.net/u011587569/article/details/52054168Requirements: softwaresudo apt-get inst

原始论文链接：http://arxiv.org/abs/1506.01497Faster R-CNN 为R-CNN终极之作，提出了region proposal network 将region proposal放入整个深度网络中，通过卷积共享使得region proposal几乎不耗费任何时间。而且将region proposal的个数从2k降低到300个，大幅度提升了目标检测的速度，检测速度能够达

关于ubuntu 15.04 配置Fast RCNN 参见博文：http://blog.csdn.net/u011587569/article/details/52166775下载数据集Download the training, validation, test data and VOCdevkitwget http://host.robots.ox.ac.uk/pascal/VOC/voc2