R-CNN+fast+faster论文学习笔记
本篇我们介绍三种深度学习的经典算法,分别是 R-CNN, fast R-CNN, faster R-CNN。
在此之前,计算机视觉领域被SIFT 、HOG等传统算法支配。传统的目标检测方法,大多以图像识别为基础,在图片上使用穷举法选出所有物体可能出现的区域框,对这些区域框提取特征,使用图像识别方法分类, 得到所有分类成功的区域,通过非极大值抑制(Non-maximumsuppression)输出结果。
而2014年CVPR上提出的R-CNN (Region CNN),是第一个成功将深度学习应用到目标检测上的算法。接连提出的fast R-CNN, faster R-CNN, SSD等算法,更是刺激和见证了深度学习在CV上的迅猛发展。
下图中概括了R-CNN“系列”目标检测算法

R-CNN

这里要介绍selective search

fast R-CNN

介绍一下ROI

本文回顾了深度学习在目标检测领域的里程碑,从R-CNN的开创性工作,到fastR-CNN的改进,再到fasterR-CNN的革新,详细解析了每种算法的工作原理及其对后续发展的贡献。
3490

被折叠的 条评论
为什么被折叠?



