Fast-RCNN网络详解

最新推荐文章于 2025-11-06 07:30:00 发布

原创

最新推荐文章于 2025-11-06 07:30:00 发布 · 1.2k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #计算机视觉 #神经网络 #目标检测 #算法

Fast-RCNN改进了R-CNN的效率，通过整张图片输入网络提取特征，使用ROIPooling层，然后进行分类和边界框预测。正样本和负样本的采样用于平衡训练数据。损失计算包括分类损失和边界框回归损失，整体优化了检测速度和精度。

文章目录

一、前言
二、Fast-RCNN原理步骤
三、总结
参考博客与视频、代码

一、前言

前面学习了SS算法、R-CNN网络，接下来继续学习Fast-RCNN网络。
在这里插入图片描述

本文两个目的，其一作为个人笔记，方便自己巩固复习知识；其二帮助正在自学的朋友，希望拙劣的见解可以帮助到大家。

二、Fast-RCNN原理步骤

Fast-RCNN可以分为三个步骤：

1)使用SS算法生成大概1-2k的候选框。
2)参考SPPnet模型来将整张图片输入网络得到特征图，再将第一步得到的候选框映射到特征矩阵来提取特征矩阵。
3）特征层通道ROI pooling操作缩放到7*7大小，展平连接一系列的全连接层得到分类结果和边界框回归参数。

2.1候选区域的生成

在这里插入图片描述
上图为R-CNN与Fast-RCNN生成候选区域的方式对比

R-CNN
可以看到R-CNN生成的候选框都需要输入深度网络提取特征，进行正向传播，冗余区域的重复计算，极大的增加了计算量，降低效率。
Fast-RCNN
它将整张图片输入网络，得到特征图，SS算法得到的候选框映射到特征图来获取特征，这样就不需要再重复计算这些候选区域。大大减小了计算量。

训练数据的采样（正样本与负样本）

与R-CNN不同的是，我们并没有使用SS算法生成的所有候选框，SS算法生成的近2000个候选框，实际上训练只使用了一小部分的候选框，而且样本分为正样本和负样本。具体论文里面有提到：分为正样本和负样本是为了平衡数据，因为如果正样本明显偏多，那么网络会理所当然的认为待识别的候选框是目标种类的一种，但实际上候选框也很有可能是背景，因此为了平衡包含目标和包含背景分为了正样本和负样本。