37、目标检测与生成对抗网络技术解析

目标检测与生成对抗网络技术解析

1. R - CNN的局限性

R - CNN在目标检测方面表现良好，但也存在一些缺点：
- 提案数量过多 ：R - CNN会生成大量的提案（每个图像约2000个），每个提案都要独立通过卷积神经网络，这使得网络运行速度非常慢。而且这些区域提案是由区域提案算法固定生成的，R - CNN本身并不会学习这些提案。
- 定位与分类模型分离 ：定位和预测的边界框来自不同的模型，在模型训练过程中，无法基于训练数据学习到特定的目标定位信息。
- 处理成本高 ：在分类任务中，卷积神经网络生成的特征用于微调支持向量机（SVM），导致处理成本较高。

2. Fast R - CNN和Faster R - CNN

2.1 Fast R - CNN

Fast R - CNN节省了R - CNN中多次卷积操作（每个图像每次选择性搜索约2000次）的大量成本。然而，它的区域提案仍然依赖于外部区域提案算法，如选择性搜索。这种对外部算法的依赖导致Fast R - CNN在计算区域提案时成为瓶颈，网络必须等待这些外部提案生成后才能继续处理。

2.2 Faster R - CNN

Faster R - CNN消除了这些瓶颈问题，它在网络内部生成区域提案，而不依赖外部算法。其架构图与Fast R - CNN相似，但新增了一个区域提案网络，消除了对外部区域提案方案（如选择性搜索）的依赖。

下面用表格总结R - CNN、Fast R - CNN和Faster R