11月深度學習班第5課圖像物體檢測:rcnn/fast-rcnn/faster-rcnn
rcnn:看作分類問題,算法的組合:候選框+卷積提取特征+svm分類
候選框是借用外來的方案,深度學習只是用來提取特征,分類是svm算法,所以不是端到端的方案
1:邊緣策略,先根據圖像像素之間的關系聚類得到很多的候選框,這部分有很多的方案,比如:selectivesearch
2:根據得到的候選框,分別在每一個候選框上面進行卷積運算
3:把每個候選框得到的卷積運算再分類即可
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
fast-rcnn
針對R-CNN的改進:共享圖窗計算,從而加速
1:不是在每個候選框上面進行了卷積運算,而是在統一的進行卷積運算,加快了速度
2:分類不是svm了,而是使用全連接了,先FC然後softmax分類了
3:整個過程是端到端的,不再是組合的算法
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
faster-rcnn
Region Proposal(候選圖窗)一定要另外獨立做嗎?一起用RPN做完得了!
改進:候選框不再是另外的方案,而是使用了RPN
所以包含了4個損失函數
關於RPN:Region Proposal Network
11月深度學習班第5課圖像物體檢測:rcnn/fast-rcnn/faster-rcnn