本文详细解析了2021年科大讯飞与京东CV算法面试中的Fast RCNN问题，探讨了算法的改进与优缺点。同时涉及了ADM与SGD的区别、池化作用、样本不平衡解决方案、过拟合对策以及BN层的应用。此外，文中还提到了机器学习在AI面试中的重要性，并分享了免费的《名企AI面试100题》电子书资源。
问题1：你对fast rcnn了解多少
两阶段目标检测算法
Fast RCNN，是RCNN算法的升级版，之所以提出Fast R-CNN，主要是因为R-CNN存在以下几个问题：
1、训练分多步。我们知道R-CNN的训练先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search的方式获得，步骤比较繁琐。
2、时间和内存消耗比较大。在训练SVM和回归的时候需要用网络训练的特征作为输入，特征保存在磁盘上再读入的时间消耗还是比较大的。
3、测试的时候也比较慢，每张图片的每个region proposal都要做卷积，重复操作太多。
虽然在Fast RCNN之前有提出过SPPnet算法来解决RCNN中重复卷积的问题，但是SPPnet依然存在和RCNN一样的一些缺点比如：训练步骤过多，需要训练SVM分类器，需要额外的回归器，特征也是保存在磁盘上。因此Fast RCNN相当于全面改进了原有的这两个算法，不仅训练步骤减少了，也不需要额外将特征保存在磁盘上。
文末免费送电子书：七月在线干货组最新 升级的《名企AI面试100题》免费送！
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
