深度学习之路（四）：Fast-RCNN

最新推荐文章于 2022-11-26 20:47:11 发布
最新推荐文章于 2022-11-26 20:47:11 发布
阅读量1.9k 收藏 9
点赞数 1
文章标签： 深度学习 数据挖掘 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_33439794/article/details/104583147
版权
Fast-RCNN是为解决R-CNN训练和检测慢的问题而提出的，它在VGG-16上训练比R-CNN快9倍，检测快213倍。通过RoI池化层和全连接层实现多任务损失的单阶段训练，同时更新所有网络参数，提高了目标检测的精度和效率。尽管仍依赖SS算法选取候选区域，但为后续YOLO等全卷积网络奠定了基础。

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

前文中已经讲述了R-CNN以及SPP-Net两个经典的入门级算法，下来向我们走来的是R-CNN家族的另一位优秀代表——Fast-RCNN。region proposal

Fast-RCNN顾名思义，就是快速的R-CNN，其目的就是解决R-CNN训练慢、检测慢的难题。

一. 论文解读

Fast-RCNN的论文是就是《Fast R-CNN》，其作者是rbg大神，论文简单明了，目的性贼强。（百度云链接：https://pan.baidu.com/s/1fQlWVSY19kphn8X9zOyGEA，提取码：aglm）。

Fast-RCNN是建立在以前所使用的的卷积神经网络有效地分类目标的成果上的。其采用了多项技术，从而提高训练速度和检测速速来提高检测精度。Fast-RCNN在训练VGG-16时比R-CNN 快9倍，检测时快213倍，并且还取得了较高的检测精度（在PASCAL VOC数据集上）。

论文的第一章简介中介绍了当前的图像分类与检测算法的发展已经取得了较大的成就，But，目标检测由于其复杂性检测不光慢，还检测精度差。然后论文就对就说明了产生复杂性的两个原因：其一是必须处理大量的候选区域，其二是候选框定位不准确，需要精细化以实现定位。这些问题的解决必然会造成检测速度慢，检测精度差。然后，论文就把自己的Fast-RCNN提出来了。

接下来论文又较为详细的分析R-CNN与SPP-Net的优缺点，

最低0.47元/天 解锁文章
木子一一
关注
Fast R-CNN
m0_51797359的博客
08-13 398
Fast R-CNN
深度学习之路（五）：Faster-RCNN
qq_33439794的博客
03-04 2537
过两年的沉淀，rbg大神于2016年提出了R-CNN系列的封神之作——Faster-RCNN，全称：《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》，同时何凯明博士也是这篇论文的作者之一。 话不多说，上论文（百度云链接：https://pan.baidu.com/s/13luKlGF1...
深度学习完全攻略！（连载九：fast-RCNN模型理解）
Aoulun的博客
08-13 619
在前面的章节中，我们已经介绍了RCNN了，可以很明显的看到RCNN是一种基于多方法联合使用的策略。这种方法最大的缺点就是可控性较差。一旦有一个环节没有处理好就影响最终的结果。比如说： select search 方法如果处理不好，后面的基本不用再搞了，而且，这也是算法最耗时的部分 CNN需要对每个候选框做扩展，然后送入到神经网络中，这极大的限制了CNN对原始数据的利用 SVM分类虽然可以做到...
Faster R-CNN详解
热门推荐
kk123k的博客
01-20 1万+
自R-CNN以及Fast R-CNN的出现之后，Fast R-CNN仍然有许多缺点，即选择性搜索找出所有的候选框这个也非常耗时，因此性能存在瓶颈，为了解决这个问题，Faster R-CNN就出现了。 解决：加入一个提取边缘的神经网络，也就说找到候选框的工作也交给神经网络来做了。 做这样的任务的神经网络叫做Region Proposal Network(RPN)。 基本做法： 　　• 将RPN放...
DAY2:Fast R-CNN简介
weixin_52121118的博客
08-02 583
一、什么是Fast R-CNN Fast R-CNN（Selective Search + CNN + ROI）也是候选区域/框 + 深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案。 二、Fast R-CNN与R-CNN区别 1、Fast R-CNN仍然使用VGG16作为网络的backbone，与R-CNN相比，训练时间快9倍，测试推理时间快213倍，准确率从62%提升到66%。 2、R-CNN是将2000个候选框输入提取特征，而Fast R-CNN是将整张图片输入进
Faster RCNN
wjy20001017的博客
11-26 835
Faster R-CNN基本理论
基于Fast-RCNN的模型结构：Fast-RCNN
10-24
基于Fast-RCNN的模型结构：Fast-RCNN
深度解析：Fast-RCNN与Faster-RCNN的创新突破及影响
CNN（convolutional neural network）即卷积神经网络，是深度学习中的一种重要网络结构，它在图像识别、图像处理等任务中取得了突破性的进展。R代表Region，即区域，RCNN（Region-based Convolutional Neural ...
深度学习目标检测模型：R-CNN、Fast-RCNN与Faster-RCNN的对比与优化
深度学习在目标检测领域取得了显著进步，特别是通过一系列创新的检测模型，如R-CNN、Fast-RCNN和Faster-RCNN。这些模型的核心目标是提高检测效率和准确性，减少重复计算，以及实现端到端的训练流程。 R-CNN (Region...
Fast RCNN总结笔记
yeeanna的博客
04-06 363
摘要 在RCNN的基础上提出的。两个改进的优点：更快更准确。 Fast RCNN用VGG16网络，训练集比RCNN快9倍，测试集快213倍。 介绍 目标检测有巨大挑战——需要精确定位目标：生成候选框；修正候选框。这样些问题势必会影响速度、准确性、简洁性。 RCNN的缺点：muti-stage、训练耗费时间空间、检测慢 SPPnet的缺点：muti-stage，不能更新池化之前的卷积层导致不准确 Fast RCNN优点：mAP高；single-stage；能更新所有网络层；无需磁盘缓存特征。 *在这里插
fast rcnn
gaotihong的博客
09-05 1909
思路： 1.如何构建网络（image和roi输入，roi-pooling， 双输出，图1） 2.如何采样（roi，引rcnn） 3.roi-pooling（sppnet） 4.multi-task loss（仅仅对正样本计算loss）     Abstract This paper proposes a Fast Region-based Convolutional Network ...
神经网络的认识（九）Fast R-CNN
赫凯的博客
06-08 821
框架如此 与 R-CNN 框架图对比， 可以发现主要有两处不同： 一是最后一个卷积层后加了一个 ROI pooling layer， 二是损失函数使用了多任务损失函数(multi-task loss)， 将边框回归直接加入到 CNN 网络中训练。 ROI pooling layer 实际上是 SPP-NET 的一个精简版， SPP-NET 对每个 proposal 使用了不同大小的金字塔映射，...
Fast R-CNN学习笔记
coffee_cream的博客
04-24 4747
Fast R-CNN学习笔记 文章来源：Girshick R. Fast r-cnn[C]//Proceedings of the IEEE InternationalConference on Computer Vision. 2015: 1440-1448. 1. 算法提出的背景 目前deep ConvNets显著提高了图像分类和目标识别的精度，和图像分类相比，目标检测需要更多复杂的方
论文笔记-Fast R-CNN
zephyr_wang的博客
05-09 515
1 介绍 本文基于《Fast R-CNN》翻译总结，作者是Ross Girshick（Microsoft Research）。 Fast Region-based Convolutional Network method (Fast R-CNN) 用来进行物体识别。相比于图片分类，物体识别更具挑战，需要更加复杂的方法来解决。 R-CNN R-CNN有以下三个缺点： 1.训练是多步骤的：R-CNN首先微调一个卷积网络，使用log loss 进行物体检测；然后适配SVM到卷积特征。这些SVM作为物体检测者，代替
Fast-RCNN阅读笔记
lanyuxuan100的博客
05-01 563
2015年提出的 Fast R-CNN 主要贡献是加速和简化 R-CNN。 R-CNN因为下述原因运行很慢： 1，为每幅图像提取候选区域（selective search），得到平均约2000个候选区域，那么前向传播的过程就需要运行平均约2000次； 2， 它必须分别训练三个不同的模型 - CNN 生成图像特征，预测类别的分类器SVM和收紧边界框的回归模型。这使得整个流水线（pipeline）
faster rcnn
谦而不卑
05-22 259
在卷积特征图上进行如下操作，每个滑动窗的位置（中心），同时预测k个region proposals，所以之后的两个分支网络cls layer和reg layer分别产生2k和4k的输出。2k中的2是指每个region proposal被判断为是目标和不是目标的两个分数（这两个分数加起来应该为一吧），4k中的4指的就是每个region proposal的坐标值（左上角横、纵，width、hight？...
Fast R-CNN简单介绍（笔记）
我的学习笔记分享
07-21 435
Fast R-CNN是作者Ross Girshick继R-CNN后的又一力作。同样使用VGG16作为网络的backbone，与R-CNN相 比训练时间快9倍，测试推理时间快213倍，准确率从62%提升至66%(再Pascal VOC数据集上)。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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