本文详细介绍了R-CNN系列的目标检测算法，包括R-CNN、Fast R-CNN和Faster R-CNN。R-CNN利用Selective Search生成候选区域，通过CNN进行特征提取和SVM分类，但计算量大。Fast R-CNN引入RoI Pooling，共享计算并使用softmax分类，提高了效率。Faster R-CNN则用RPN网络直接生成候选区域，进一步提升速度。
R-CNN
R-CNN的核心思想： 对每张图片选取多个区域，然后每个区域作为一个样本进入一个卷积神经网络来抽取特征。
R-CNN uses selective search to first generate potential object regions in an image and then perform classificaton on the proposed regions. R-CNN requires high computational costs since each region is processed by the CNN network separately.
- 每张图会通过Selective Search提取2000个候选区域
- 每个区域被warped(缩放)到卷积网络要求的输入大小，然后通过卷积网络得到一个输出，作为这个区域的特征
- 使用这些特征来训练多个svm来识别物体，每个svm预测一个区域是不是包含某个物体
- 使用这些区域特征来训练线性回归器来对区域位置进行调整
R-CNN三大不足：
- 每个候选区域都需要通过CNN计算特征，2000个候选区域，过2000次CNN，计算量大;
- Selective Search是传统的特征提取方法，提取的区域质量不够好；
- 特征提取、SVM分类器是分模块独立训练，没有联合起来系统性优化，训练耗时长
Fast R-CNN
核心思想： 简化R-CNN计算复杂度
Fast R-CNN and Faster
最低0.47元/天 解锁文章
扫一扫
1098
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
