rcnn学习笔记(一)

本文深入探讨了RCNN算法的原理及其实现,从选择性搜索生成2000个proposals开始,到通过CNN产生边界框与分类。随后阐述了Fast-RCNN如何通过ROI层优化速度与准确率,以及Faster-RCNN引入RPN以减少proposals生成时间,提高整体效率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

                                              rcnn学习笔记(一)


     最近在学习多视角人脸检测的时候,该片paper一直用自己的实验结果和r-cnn去进行比较,显示自己算法的优越性,所以就返回去细细的读了r-cnn的文章,感觉科研界的大牛果然厉害,从r-cnn到fast-rcnn,再到faster-rcnn,都有自己的特点。

      rcnn就是先用selective search选择2000个proposals region,然后对于每一region,都在cnn上跑两次,第一次产生bounding-box,跑第二次产生了classification,这里的分类用的是SVM。rcnn的主要过程是分为两个阶段,每个阶段自己干自己的事情.点击进入详细分析

      fast-rcnn解决了rcnn中各个stage只做自己的事情,任务rcnn的确是太慢了,所以就搞了一个ROI层来解决这个问题。另外还改善了mini-batch的方法,把从原来的128张图片中提取128个不同region的方法改成为从2张图片提取128个region的方法,每个batch处理两张图片,每张图片提供64个region。并且引入了SPP来解决输入图片大小不一的问题。在速度和准确度上都有了很大的改善。点击进入详细

      但是faster-rcnn认为selective search太慢了,只能在cpu上面跑。就提出了RPN来得到proposal,这里产生的region的个数远远少于selective search产生的个数。RPN主要是在作用在最后一层的feature map上,而这里的feature map 上还连接着一个fast r-cnn。 

     


     

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值