R-CNN系列文章
文章平均质量分 87
纯氧゜
这个作者很懒,什么都没留下…
展开
-
Faster R-CNN论文翻译
摘要最先进的目标检测网络依赖于区域建议算法来假设目标位置。像SPPnet[1]和Fast R-CNN[2]这样的进步已经减少了这些检测网络的运行时间,暴露了区域提议计算作为一个瓶颈。在本工作中,我们引入了一个区域建议网络(RPN),它与检测网络共享全图像卷积特征,从而实现几乎免费的区域建议。RPN是一个完全卷积的网络,它可以同时预测每个位置上的对象界限和对象评分。对RPN进行端到端训练以生成高质量的区域建议,Fast R-CNN使用这些区域建议进行检测。通过共享它们的卷积特征,我们进一步将RPN和Fast原创 2021-07-06 16:45:59 · 553 阅读 · 0 评论 -
Fast R-CNN文章翻译笔记
原文地址:https: //github.com/rbgirshick/fast-rcnn摘要:本文提出了一种基于快速区域的卷积网络(Fast R-CNN)目标检测方法。快速R-CNN建立在之前的工作基础上,利用深度卷积网络有效地分类目标提案。与之前的工作相比,Fast R-CNN采用了几个创新来提高训练和测试速度,同时也提高了检测精度。Fast R-CNN训练非常深的vgg16网络比R-CNN快9倍,测试时快213倍,并且在PASCAL VOC 2012上取得了更高的mAP。与SPPnet相比,Fas原创 2021-07-05 20:10:46 · 289 阅读 · 0 评论 -
R-CNN笔记
文章获取: http://www.cs.berkeley.edu/˜rbg/rcnn.在典型的PASCAL VOC数据集上,目标检测性能在过去几年中已经趋于稳定。性能最好的方法是复杂的集成系统,通常将多个低级图像特征与高级上下文相结合。在本文中,我们提出了一种简单且可扩展的检测算法,相对于之前VOC 2012的最佳结果,平均平均精度(mAP)提高了30%以上,实现了53.3%的mAP。我们的方法结合了两个关键的见解:(1)可以将高容量卷积神经网络(CNNs)应用于自底向上的区域方案,以定位和分割目标。(原创 2021-07-03 17:45:23 · 185 阅读 · 0 评论