fastrcnn论文 fastrcnn论文原文

您好,今天小深来为大家解答以上的问题。fastrcnn论文相信很多小伙伴还不知道,现在让我们一起来看看吧！

fastrcnn论文 fastrcnn论文原文

fastrcnn论文 fastrcnn论文原文

1、目标检测是人工智能的一个重要应用，就是在中要将里面的物体识别出来，并标出物体的位置，一般需要经过两个步骤：1、分类，识别物体是什么2、定位，找出物体在哪里除了对单个物体进行检测，还要能支持对多个物体进行检测，如下图所示：这个问题并不是那么容易解决，由于物体的尺寸变化范围很大、摆放角度多变、姿态不定，而且物体有很多种类别，可以在中出现多种物体、出现在任意位置。

2、因此，目标检测是一个比较复杂的问题。

3、最直接的方法便是构建一个深度神经网络，将图像和标注位置作为样本输入，然后经过网络，再通过一个分类头（Classification head）的全连接层识别是什么物体，通过一个回归头（Regression head）的全连接层回归计算位置，如下图所示：但“回归”不好做，计算量太大、收敛时间太长，应该想办法转为“分类”，这时容易想到套框的思路，即取不同大小的“框”，让框出现在不同的位置，计算出这个框的得分，然后取得分的那个框作为预测结果，如下图所示：根据上面比较出来的得分高低，选择了右下角的黑框作为目标位置的预测。

4、但问题是：框要取多大才合适？太小，物体识别不完整；太大，识别结果多了很多其它信息。

5、那怎么办？那就各种大小的框都取来计算吧。

6、如下图所示（要识别一只熊），用各种大小的框在中进行反复截取，输入到中识别计算得分，最终确定出目标类别和位置。

7、这种方法效率很低，实在太耗时了。

8、那有没有高效的目标检测方法呢？一、R- 横空出世R-（Region ，区域卷积神经网络）可以说是利用深度学习进行目标检测的开山之作，作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更是带领团队获得了终身成就奖，如今就职于Facebook的人工智能实验室（FAIR）。

9、R-算法的流程如下1、输入图像2、六、训练每张图像生成1K~2K个候选区域3、对每个候选区域，使用深度网络提取特征（AlextNet、VGG等都可以）4、将特征送入每一类的SVM 分类器，判别是否属于该类5、使用回归器精细修正候选框位置下面展开进行介绍1、生成候选区域使用Selective Search（选择性搜索）方法对一张图像生成约2000-3000个候选区域，基本思路如下：（1）使用一种过分割手段，将图像分割成小区域（2）查看现有小区域，合并可能性的两个区域，重复直到整张图像合并成一个区域位置。

10、优先合并以下区域：3、类别判断4、位置精修目标检测的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小，故需要一个位置精修步骤，对于每一个类，训练一个线性回归模型去判定这个框是否框得完美，如下图：R-将深度学习引入检测领域后，一举将PASCAL VOC上的检测率从35.1%提升到53.7%。

11、继2014年的R-推出之后，Ross Girshick在2015年推出Fast R-，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。

12、Fast R-和R-相比，训练时间从84小时减少到9.5小时，测试时间从47秒减少到0.32秒，并且在PASCAL VOC 2007上测试的准确率相无几，约在66%-67%之间。

13、Fast R-主要解决R-的以下问题：1、训练、测试时速度慢R-的一张图像内候选框之间存在大量重叠，提取特征作冗余。

14、而Fast R-将整张图像归一化后直接送入深度网络，紧接着送入从这幅图像上提取出的候选区域。

15、这些候选区域的前几层特征不需要再重复计算。

16、2、训练所需空间大1、在特征提取阶段， 通过（如AlexNet）中的conv、pooling、relu等作都不需要固定大小尺寸的输入，因此，在原始上执行这些作后，输入尺寸不同将会导致得到的feature map（特征图）尺寸也不同，这样就不能直接接到一个全连接层进行分类。

17、在Fast R-中，作者提出了一个叫做ROI Pooling的网络层，这个网络层可以把不同大小的输入映射到一个固定尺度的特征向量。

18、ROI Pooling层将每个候选区域均匀分成M×N块，对每块进行max pooling。

19、将特征图上大小不一的候选区域转变为大小统一的数据，送入下一层。

20、这样虽然输入的尺寸不同，得到的feature map（特征图）尺寸也不同，但是可以加入这个神奇的ROI Pooling层，对每个region都提取一个固定维度的特征表示，就可再通过正常的softmax进行类型识别。

21、2、在分类回归阶段， 在R-中，先生成候选框，然后再通过提取特征，之后再用SVM分类，再做回归得到具置（bbox regression）。

22、而在Fast R-中，作者巧妙的把的bbox regression也放进了神经网络内部，与区域分类合并成为了一个multi-task模型，如下图所示：实验表明，这两个任务能够共享卷积特征，并且相互促进。

23、Fast R-很重要的一个贡献是成功地让人们看到了Region Proal+（候选区域+卷积神经网络）这一框架实时检测的希望，原来多类检测真的可以在保证准确率的同时提升处理速度。

24、三、Faster R-更快更强继2014年推出R-，2015年推出Fast R-之后，目标检测界的领物Ross Girshick团队在2015年又推出一力作：Faster R-，使简单网络目标检测速度达到17fps，在PASCAL VOC上准确率为59.9%，复杂网络达到5fps，准确率78.8%。

本文到这结束，希望上面文章对大家有所帮助。