【目标检测经典模型比较】--Fast R-CNN Faster R-CNN Mask R-CNN

1.Fast R-CNN

论文精读

摘要： 两个主要挑战：

1. 必须处理许多候选对象位置(通常称为“建议”)。
2. 这些候选对象只提供了粗略的定位，必须加以改进才能实现精确的定位。这些问题的解决方案通常会牺牲速度、准确性或简单性。

在本文中，我们简化了最先进的基于convnet的目标检测器的训练过程。我们提出了一种单阶段训练算法，该算法联合学习对目标建议进行分类并细化其空间位置。

1. Fast RCNN具有更高的目标检测的精度
2. 训练过程采用多任务的损失函数
3. 训练可以更新所有网络层的参数（Fast R-CNN可以更新所有网络层的参数是指，在训练过程中，它不仅可以优化全连接层的权重，还可以优化卷积层的权重。这样可以使得网络更好地适应目标检测的任务，提高检测的准确度。相比之下&#x