R-CNN 构建网络模型 | ||||||||||||||||||||||||
特征提取: selective search: 小区域 合并 大区域 ;小框 合并 大框 ; 所有的框 都跑一遍 卷积神经网络 特征提取 固化 分类,回归(定位) 慢,开篇之作,低效
问题:时间很长,每个小框都要跑一次神经网络,加上分类器 解决:先进行卷积(共享) | ||||||||||||||||||||||||
| ||||||||||||||||||||||||
Fast—R-CNN先对整个图跑一遍神经网络,卷积 再把框映射过来到特征图 在进行特征提取,分类回归softmax
效果:比R-CNN好很多
问题:还是要进行selective search 很费时间 | ||||||||||||||||||||||||
Faster R_CNN
改进:把找框的工作也放到卷积神经网络,region proposal network (RPN)(核心改进),什么是前景(物体),什么是背景(不是物体) 如何提取: 生成很多框 可能符合标准,可能不符合,可能比较大,也可能比较小 三种比例,1:1, 2:1, 1:2 ()128:128, 128:256, 256:128) 9个anchors 基数:128,256,512 生成常规框,怎么变换才能是一个前景,物体
RPN层:对一个点进行特征提取,分类回归操作,判断是不是物体,以及bbox location regression 之后 和fastR_CNN相同
| ||||||||||||||||||||||||
三代物体检测 论文最好看一看 直接看faster R-CNN | ||||||||||||||||||||||||
计算机视觉 -- 三代物体检测(简要总结)
最新推荐文章于 2023-12-31 01:47:39 发布