DAY 4 初识fast-r-cnn
来源:互联网 发布:软件交互设计流程图 编辑:程序博客网 时间:2024/06/05 06:08
R-CNN等传统弊端:基本步骤:
- 通过select选取候选框,一般每张图2000个左右
- 对每张候选框图进行深度学习,提取特征
- 将特征送到分类器,如svm进行判别
- 使用精准回归对候选框进行修正
问题: - 训练速度慢,候选框之间存在大量的重复,提取特征速度慢
- 训练所需大量内存空间,大量的特征。
主要原因就是R-CNN在深度学习之前进行候选框提取,造成大量重叠的候选框需要进行特征提取。
改进:
FASTER-R-CNN在图像送入神经网络之后,才加入候选框信息,类别判断和位置精调统一用深度网络实现,不再需要额外存储(独立的分类器和回归调整)
FASTER-R-CNN介绍:
使用NN来处理region proposal,使用 共享卷基层 的概念,卷积后的特征图样是可以用来生成region proposal的,通过添加卷基层实现region proposal network,用来对特征图形成位置编码向量,对每一个位置输出objectness score和 regressed bounds for k region proposals.
IoU 简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率。具体我们可以简单的理解为: 即检测结果(DetectionResult)与 Ground Truth 的交集比上它们的并集,即为检测的准确率 IoU
阅读全文
0 0
- DAY 4 初识fast-r-cnn
- 【转】R-CNN学习笔记4:Fast R-CNN
- R-CNN学习笔记4:Fast R-CNN
- Fast R-CNN
- Fast R-CNN笔记
- Fast R-CNN笔记
- Fast R-CNN
- Fast R-CNN
- Fast R-CNN
- Fast R-CNN
- Fast R-CNN解读
- Fast R-CNN笔记
- Fast R-CNN
- Fast R-CNN
- 论文:Fast R-CNN
- fast r-cnn笔记
- Faster R-CNN(~ RPN + Fast R-CNN)
- R-CNN、Fast-R-CNN和Faster-R-CNN
- 前端基础笔记11
- PHP 常用字符串相关函数
- java中的简单工厂设计模式
- Unity编辑器下场景(Scene)相机匀速运动解决方案
- 多继承与虚继承
- DAY 4 初识fast-r-cnn
- meta标签
- vue cli+axios踩坑记录+拦截器使用,代理跨域proxy(更新)
- 扩展欧几里得
- vue开发:vue全局组件的方法
- BZOJ 3687: 简单题
- EM算法及其应用
- 51nod1238 最小公倍数之和V3
- 背景建模之codebook算法