paper阅读总结
Jason _ W
中国科学技术大学信息学院自动化系的一名学生,初到计算机视觉领域,希望能在这里记录自己奋斗的经历!
展开
-
阅读总结:Fast R-CNN
为什么提出Fast-R-CNN: 1、R-CNN网络训练、测试繁琐,包括提取候选区、提取CNN特征、SVM分类和Bounding-box 回归等步骤,网络训练、测试速度都很慢。 2、R-CNN网络训练需要大量存储空间:20类即20个SVM分类器和20类即20个Bounding-box 回归器在训练过程中需要大量特征作为训练样本,这部分从CNN提取的特征会占用大量存储空间; Fast R-CNN的运行流程: 1、使用CNN网络来抽取图像的特征,形成特征图像 与R-CNN不同,这里是先利用卷积网络提取图像的特征原创 2020-06-26 23:32:32 · 577 阅读 · 0 评论 -
阅读总结:Rich feature hierarchies for accurate object detection and semantic segmentation
为什么提出R-CNN: 1、以人工经验特征为主导的物体检测任务mAP提升缓慢. 2、ImageNet大规模视觉识别挑战赛中,采用CNN特征获得了最高的图像识别精确度, 3、引发了一股“是否可以采用CNN特征来提高当前一直停滞不前的物体检测准确率“的热潮 R-CNN的运行流程: 1、构造训练集(用于对CNN进行微调) 先用Selective Search的方法在每个图像上生成很多的候选区域(大约2000个类别独立的候选区域),然后在每张图上依次计算每个候选区域与图中目标的ground-truth box之前的原创 2020-06-26 23:28:43 · 295 阅读 · 0 评论