目標(biāo)檢測RCNN计寇、Fast RCNN、Faster RCNN對比

RCNN算法分為4個(gè)步驟 :

  1. 候選區(qū)域生成: 一張圖像生成1K~2K個(gè)候選區(qū)域 (采用Selective Search 方法)
  2. 特征提戎搿: 對每個(gè)候選區(qū)域番宁,使用深度卷積網(wǎng)絡(luò)提取特征 (CNN)
  3. 類別判斷: 特征送入每一類的SVM 分類器,判別是否屬于該類
  4. 位置精修: 使用回歸器精細(xì)修正候選框位置

RCNN :許多候選框(比如兩千個(gè))-->CNN-->得到每個(gè)候選框的特征-->分類+回歸赖阻;

Fast RCNN :一張完整圖片-->CNN-->得到每張候選框的特征-->分類+回歸蝶押;

Faster R-CNN:基于Fast RCNN的問題做出了改進(jìn);
------Fast R-CNN存在的問題:存在瓶頸火欧,選擇性搜索棋电,找出所有的候選框,這個(gè)也非常耗時(shí)苇侵。那我們能不能找出一個(gè)更加高效的方法來求出這些候選框呢赶盔?
解決:加入一個(gè)提取邊緣的神經(jīng)網(wǎng)絡(luò),也就說找到候選框的工作也交給神經(jīng)網(wǎng)絡(luò)來做了衅檀。
做這樣的任務(wù)的神經(jīng)網(wǎng)絡(luò)叫做區(qū)域生成網(wǎng)絡(luò)Region Proposal Network(RPN)招刨,是一個(gè)全卷積網(wǎng)絡(luò)霎俩。
Faster R-CNN具體做法:
  ? 將RPN放在最后一個(gè)卷積層的后面
  ? RPN直接訓(xùn)練得到候選區(qū)域

最后總結(jié)一下各大算法的步驟:
RCNN
  1. 在圖像中確定約1000-2000個(gè)候選框 (使用選擇性搜索)
  2. 每個(gè)候選框內(nèi)圖像塊縮放至相同大小哀军,并輸入到CNN內(nèi)進(jìn)行特征提取
  3. 對候選框中提取出的特征,使用分類器判別是否屬于一個(gè)特定類
  4. 對于屬于某一特征的候選框打却,用回歸器進(jìn)一步調(diào)整其位置

Fast RCNN
  1. 在圖像中確定約1000-2000個(gè)候選框 (使用選擇性搜索)
  2. 對整張圖片輸進(jìn)CNN杉适,得到feature map
  3. 找到每個(gè)候選框在feature map上的映射patch,將此patch作為每個(gè)候選框的卷積特征輸入到SPP layer和之后的層
  4. 對候選框中提取出的特征柳击,使用分類器判別是否屬于一個(gè)特定類
  5. 對于屬于某一特征的候選框猿推,用回歸器進(jìn)一步調(diào)整其位置

Faster RCNN
  1. 對整張圖片輸進(jìn)CNN,得到feature map
  2. 卷積特征輸入到區(qū)域生成網(wǎng)絡(luò)RPN捌肴,得到候選框的特征信息
  3. 對候選框中提取出的特征蹬叭,使用分類器判別是否屬于一個(gè)特定類
  4. 對于屬于某一特征的候選框,用回歸器進(jìn)一步調(diào)整其位置

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末状知,一起剝皮案震驚了整個(gè)濱河市秽五,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌饥悴,老刑警劉巖坦喘,帶你破解...
    沈念sama閱讀 216,544評論 6 501
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件盲再,死亡現(xiàn)場離奇詭異,居然都是意外死亡瓣铣,警方通過查閱死者的電腦和手機(jī)答朋,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,430評論 3 392
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來棠笑,“玉大人梦碗,你說我怎么就攤上這事”途龋” “怎么了叉弦?”我有些...
    開封第一講書人閱讀 162,764評論 0 353
  • 文/不壞的土叔 我叫張陵,是天一觀的道長藻糖。 經(jīng)常有香客問我淹冰,道長,這世上最難降的妖魔是什么巨柒? 我笑而不...
    開封第一講書人閱讀 58,193評論 1 292
  • 正文 為了忘掉前任樱拴,我火速辦了婚禮,結(jié)果婚禮上洋满,老公的妹妹穿的比我還像新娘晶乔。我一直安慰自己,他們只是感情好牺勾,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,216評論 6 388
  • 文/花漫 我一把揭開白布正罢。 她就那樣靜靜地躺著,像睡著了一般驻民。 火紅的嫁衣襯著肌膚如雪翻具。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,182評論 1 299
  • 那天回还,我揣著相機(jī)與錄音裆泳,去河邊找鬼。 笑死柠硕,一個(gè)胖子當(dāng)著我的面吹牛工禾,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播蝗柔,決...
    沈念sama閱讀 40,063評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼闻葵,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了癣丧?” 一聲冷哼從身側(cè)響起槽畔,我...
    開封第一講書人閱讀 38,917評論 0 274
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎坎缭,沒想到半個(gè)月后竟痰,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體签钩,經(jīng)...
    沈念sama閱讀 45,329評論 1 310
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,543評論 2 332
  • 正文 我和宋清朗相戀三年坏快,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了铅檩。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 39,722評論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡莽鸿,死狀恐怖昧旨,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情祥得,我是刑警寧澤兔沃,帶...
    沈念sama閱讀 35,425評論 5 343
  • 正文 年R本政府宣布,位于F島的核電站级及,受9級特大地震影響乒疏,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜饮焦,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,019評論 3 326
  • 文/蒙蒙 一怕吴、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧县踢,春花似錦转绷、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,671評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至谴返,卻和暖如春煞肾,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背亏镰。 一陣腳步聲響...
    開封第一講書人閱讀 32,825評論 1 269
  • 我被黑心中介騙來泰國打工扯旷, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留拯爽,地道東北人索抓。 一個(gè)月前我還...
    沈念sama閱讀 47,729評論 2 368
  • 正文 我出身青樓,卻偏偏與公主長得像毯炮,于是被迫代替她去往敵國和親逼肯。 傳聞我的和親對象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,614評論 2 353

推薦閱讀更多精彩內(nèi)容