搜索
目标检测FasterR-CNNFasterR-CNN的创新点FasterR-CNNFasterR-CNNFasterR-CNN的创新点FastR-CNN依赖于外部候选区域方法，如选择性搜索。但这些算法在CPU上运行且速度很慢。在测试中，FastR-CNN需要2.3秒来进行预测，其中2秒用于生成2000个ROI。FasterR-CNN采用与FastR-CNN相同的设计，只是它用内部深层网络代替了候选区域方法。新的候选区域网络（RPN）在生成ROI时效率更高，并且以每幅图像10毫秒的速度运行。FasterR-CNNFasterR-CNN的创新点输入：任意大小图片目标：将FastR-CNN网络中部分计算进行共享FasterR-CNN候选区域网络FasterR-CNN候选区域网络候选区域网络（RPN）将第一个卷积网络的输出特征图作为输入。它在特征图上滑动一个3×3的卷积核，以使用卷积网络（如下所示的ZF网络）构建与类别无关的候选区域。其他深度网络（如VGG或ResNet）可用于更全面的特征提取，但这需要以速度为代价。ZF网络最后会输出256个值，它们将馈送到两个独立的全连接层，以预测边界框和两个objectness分数，这两个objectness分数度量了边界框是否包含目标。我们其实可以使用回归器计算单个objectness分数，但为简洁起见，FasterR-CNN使用只有两个类别的分类器：即带有目标的类别和不带有目标的类别。FasterR-CNNFasterR-CNN的创新点每个位置使用N个锚点框锚点转换不变性：每个位置的锚点框集合均相同对每个锚点框进行回归计算在每个回归锚点框中计算效果FasterR-CNNFasterR-CNN的训练过程1）流水线训练：先训练RPN网络然后将训练好的RPN网络插入FastR-CNN网络中进行训练2）联合训练：一个网络，四个损失RPN分类：锚点框的好坏RPN回归：锚点框的位置FastR-CNN分类：所有类别FastR-CNN回归：最终的框位置FasterR-CNNFasterR-CNN结果对比R-CNNFastR-CNNFasterR-CNN测试图片时间消耗50seconds2seconds0.2seconds速度提升1x25x250x性能(VOC2007)66.066.966.9技术成就梦想