本文介绍了R-CNN系列的目标检测方法，包括R-CNN、Fast R-CNN和Faster R-CNN的工作原理及其优缺点。重点讨论了Faster R-CNN的端到端训练和RPN网络在提高检测速度和精度上的贡献，并分享了使用Faster R-CNN基于VGG16预训练模型在交通标志检测任务上的训练经验。
R-CNN,Fast-RCNN,Faster-RCNN都是基于候选区域（region proposal）的识别网络，在图片上寻找可能是目标存在的区域，对每个区域进行分类和检测框回归，实现目标检测。
R-CNN：
①对输入图片，使用Seletive Search算法，产生2000个类别独立的候选区域（region proposal） 。
②用卷积神经网络对每个候选区域提取长度相同的特征向量（由于SS产生的候选区域大小存在差异，在输入神经网络之前，需要将所有候选区域变换到227×227） 。
③用SVM对每个候选区域分类 ，bbox regression对边界框修正。
缺点：
①分步训练，让不了解深度学习的人很难进行训练。
②提取得到的特征数据需要写入硬盘，以供SVM分类和边界框回归训练使用，造成极大的内存和时间耗费。
③显而易见，网络的识别速度很慢。
Fast-RCNN:
①对输入图片，使用Seletive Search算法，产生2000个类别独立的候选区域 。
②用深度神经网络对整个图片进行卷积，得到feature map，将候选区域映射到feature map上（文章
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
