首页 > 其他 > 详细

RCNN,Fast RCNN,Faster RCNN的发展历程自我理解

时间:2020-07-28 21:46:51      阅读:86      评论:0      收藏:0      [点我收藏+]

这三种网络结构主要是用于物体的检测以及识别。

一、RCNN:

  首先使用搜索算法(SelectiveSearch)在图像上面选取出来大约2k个候选框,然后将这些候选框都送入到网络中进行特征提取,然后在对其进行分类与回归。

技术分享图片

 

RCNN存在三个明显的问题:

1)多个候选区域对应的图像需要预先提取,占用较大的磁盘空间;

2)针对传统CNN需要固定尺寸的输入图像,crop/warp(归一化)产生物体截断或拉伸,会导致输入CNN的信息丢失;

3)每一个ProposalRegion都需要进入CNN网络计算,上千个Region存在大量的范围重叠,重复的特征提取带来巨大的计算浪费。

二、Fast RCNN

  为了解决以上的问题,fast rcnn主要引进了2个方面。

  1、提取候选框的时间上,fast rcnn首先直接对图片进行特征提去,然后在卷积的最后一层使用搜索算法(SelectiveSearch)对特征进行候选框提取,

  在通过ROI Pooling对提取的候选框进行Warp到统一的大小格式。

  2、A)SoftmaxLoss代替了SVM,证明了softmax比SVM更好的效果;

       B)SmoothL1Loss取代Bouding box回归。

  将分类和边框回归进行合并(又一个开创性的思路),通过多任务Loss层进一步整合深度网络,统一了训练过程,从而提高了算法准确度。

技术分享图片

 

三、Faster RCNN

   faster rcnn主要是在提取特征上面进行了修改,加快了模型的处理速度以及精准度。

  使用RPN网络代替fast rcnn的搜索算法(SelectiveSearch)对特征进行自动的候选框提取,使得网络得到的候选框质量更高、更好。(具体的思路查看:https://i.cnblogs.com/EditArticles.aspx?postid=8491734&update=1)

 

参考网站:

  http://blog.csdn.net/linolzhang/article/details/54344350

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

RCNN,Fast RCNN,Faster RCNN的发展历程自我理解

原文:https://www.cnblogs.com/magicpig666/p/8514712.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!