深度学习pooling方法

最新推荐文章于 2025-05-22 16:23:31 发布

原创最新推荐文章于 2025-05-22 16:23:31 发布 · 987 阅读

0 ·

CC 4.0 BY-SA版权

Fast R-CNN是一种高效的目标检测方法，主要步骤包括特征提取、区域候选框生成、区域归一化及分类与回归。它通过CNN提取整图特征，利用Selective Search获取候选框，并通过RoI Pooling统一尺寸，最后采用全连接层实现分类与位置微调。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

http://www.techweb.com.cn/network/system/2017-07-13/2556494.shtml

Fast R-CNN的主要步骤：
a) 特征提取：以整张图片为输入利用CNN得到图片的特征层；
b) region proposal：通过Selective Search等方法从原始图片提取区域候选框，并把这些候选框一一投影到最后的特征层；
c) 区域归一化：针对特征层上的每个区域候选框进行RoI Pooling操作，得到固定大小的特征表示；
d) 分类与回归：然后再通过两个全连接层，分别用softmax做多目标分类，用回归模型进行边框位置与大小微调。
总结：Fast R-CNN确实做得很棒，其缺点在于：region proposal的提取使用selective search，目标检测时间大多消耗在这上面（提region proposal 2~3s，而提特征分类只需0.32s），无法满足实时应用。