第二章:Fast R-CNN网络详解

(目标检测篇）系列文章目录

---

第一章:R-CNN网络详解

第二章:Fast R-CNN网络详解

第三章:Faster R-CNN网络详解

第四章:YOLO v1网络详解

第五章:YOLO v2网络详解

第六章:YOLO v3网络详解

文章目录

• 系列文章目录
• 技术干货集锦
• 前言
• 一、摘要
• 二、正文分析
  • 1.引入库
  • 2.读入数据
• 总结

---

技术干货集锦

Fast R-CNN算法流程可分为3个步骤：

1. 一张图像生成1k~2k个候选区域(使用Selective Search方法)
2. 将图像输入网络得到相应的特征图，将SS算法生成的候选框，投影到特征图上获得相应的特征矩阵
3. 将每个特征矩阵通过ROI pooling层缩放到7x7大小的特征图，接着将特征图展平通过一些列全连接层得到预测结果

不同点：

一次性计算整张图现特征。R-CNN依次将候选框区域输入卷积神经网络得到特征。

Fast-RNN将整张图像送入网络，紧接着从特征图像上提取相应的候选区域。这些候选区域的特征不需要再进行重复的计算。（不限制输入图像的尺寸）

训练数据的采样（正样本，负样本）

Fast R-CNN框架

Region Proposal(Selective Search)

Feature extraction Classification Bounding-box regression (CNN)

前言

引言 最近，深度卷积神经网络（Deep ConvNets）在图像分类和目标检测的准确性方面取得了显著的进展。与图像分类相比，目标检测是一项更具挑战性的任务，需要更复杂的方法来解决。由于这种复杂性，当前的方法（例如[9,11,19,25]）在多阶段的流程中训练模型，这种方法速度慢且不够优雅。复杂性的原因在于检测需要准确地定位物体，