R-CNN
R-CNN 首先划分很多Rigion,叫做Rigion proposal.然后进行Selective Search,就是合并小区域。看下图,合并后的小区域需要变换,将他们统一一下,然后进入ConvNet。存盘,用svms预测。
fast R-CNN
fast R-CNN 在R-CNN的基础上进行了改进。主要就是因为R-CNN经过卷积后,将特征存盘。其实没必要这么麻烦,可以使用softmax linear分类器,直接进行预测,另一方面,不用对每个Rigion分别进行卷积,可以直接对所有的区域使用一次卷积。这样就可以达到end-to-end了。
faster R-CNN
虽然fast R-CNN 在模型部分实现了end-to-end,但是在Selective Search阶段 比较耗时,于是乎有了faster R-CNN
将卷积之后,加入了一个Region Proposal Netword。其他的和fast-R-Cnn 一样
卷积网络设计trick
目标
- 使用更少的参数,参数过容易过拟合
- 使用更深的深度,深度越大,非线性越强
感受野
所谓感受野,就是经过卷积之后,那一个点可以代表之前的几个点。
**对于pooling的技巧 **由于pooling之后,稀疏了,但是我们可以增加深度来弥补。用深度弥补size的减小。
残差深度网络使用的技:使用了1X1的filter 但是需要保证最后的卷积中filter个数与3X3的一样,这样深度更大,参数更小