论文翻译：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

最新推荐文章于 2024-03-05 16:48:31 发布

原创

最新推荐文章于 2024-03-05 16:48:31 发布 · 1k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #深度学习

Faster R-CNN是一种基于深度学习的目标检测框架，通过引入区域提议网络（RPN）解决了传统检测网络的运行效率问题。RPN与检测网络共享全图像卷积特征，实现快速的区域提议生成。该系统在保持高精度的同时，使用VGG-16模型在GPU上达到了5fps的检测速度，并在PASCAL VOC和MS COCO数据集上表现出顶级性能。此外，Faster R-CNN在ILSVRC和COCO 2015竞赛中占据主导地位，其相关代码已被开源。

来源：CVPR

Abstract

最先进的物体检测网络依靠区域提议算法来推测物体的位置。SPPnet [1]和Fast R-CNN [2]等研究已经减少了这些检测网络的运行时间，使得区域提议计算成为一个瓶颈。在这项工作中，我们引入了一个区域提议网络（RPN），该网络与检测网络共享全图像卷积特征，从而使近乎成本的区域提议成为可能。 RPN是一个完全卷积网络，可以同时预测每个位置的对象边界和对象分数。 RPN经过端到端的训练，生成高质量的区域提案，由Fast R-CNN用于检测。我们将RPN和Fast R-CNN通过共享卷积特征进一步合并为一个单一的网络 —— 使用最近流行的具有“关注”机制的神经网络术语，RPN组件告诉统一网络在哪里寻找（目标）。对于非常深的VGG-16模型[3]，我们的检测系统在GPU上的帧速率为5fps（包括所有步骤），同时在PASCAL VOC 2007,2012上实现了最先进的目标检测精度， MS COCO数据集，每个图像只有300个提案。在ILSVRC和COCO 2015比赛中，更快的R-CNN和RPN是多条赛道中获得第一名的基础。代码已经公开。

索引术语：目标检测，区域建议，卷积神经网络。