目标检测论文阅读 Fast R-CNN

 目标检测论文阅读笔记

目标检测论文阅读 RCNN Rich feature hierarchies for accurate object detection and semantic segmentation-优快云博客

目标检测论文阅读 SPPNet Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition-优快云博客

目标检测论文阅读 Fast R-CNN-优快云博客

目标检测论文阅读 Faster RCNN-优快云博客

目标检测论文阅读 Cascade R-CNN: Delving into High Quality Object Detection-优快云博客

目标检测论文阅读 Mask R-CNN-优快云博客

目标检测论文阅读 YOLO You Only Look Once:Unified, Real-Time Object Detection-优快云博客

---

Fast R-CNN

对于RCNN存在的问题：

训练是一个多阶段的的流程：通过日志记录的损失训练区域建议模块、调整SVM使之适合CNN特性、学习边界框回归因子

      时间空间消耗大：对于SVM和边框回归，每张图像的每个区域建议的特征都要写入磁盘。对于很深的网络如VGG16，训练的时间空间消耗巨大

      检测速度慢：测试时，需要从每张图像的每个区域建议提取特征

SPPnet改进：

RCNN之所以慢，是因为他对每个区域建议进行卷积计算，没有用到共享计算。SPPnet提出的空间金字塔池化网络先对整张输入图像计算卷积特征，然后再用从共享特征图（即整张图像卷积计算得到的特征）中映射得到每个区域建议的特征向量。  区域建议之间一定有很多重复部分，全都直接丢进CNN会有大量重复计算，改成从共享特征图中提取特征避免了重复计算。

但SPPnet仍有缺陷：训练仍然是多阶段的，包括提取特征、用日志损失微调网络、训练支持向量机，最后拟合边界框回归函数。特性也被写入磁盘。但与R-CNN不同，模型微调不能更新空间金字塔池化之前的卷积层，这必会影响深层网络的准确性。

Fast RCNN改进：

训练是单阶段的，使用多任务损失函数<