R-CNN、Fast R-CNN、Faster R-CNN算法对比
R-CNN、Fast R-CNN、Faster R-CNN算法都是基于Region Proposal(候选区域)的深度学习目标检测算法,是2-stage两阶段检测模型。
Region Proposal就是预先找出图中目标可能出现的位置,通过利用图像中的纹理、边缘、颜色等信息,保证在选取较少窗口(几千个甚至几百个)的情况下保持较高的召回率(IoU)。
边框回归(Bouding Box Regression):对RegionProposal进行纠正的线性回归算法,目的是为了让Region Proposal提取到的窗口与目标窗口(Ground Truth)更加吻合。
从R-CNN到Fast R-CNN,再到Faster R-CNN,目标检测的四个基本步骤(候选区域生成、特征提取、目标分类、边框回归)终于被统一到一个深度网络框架之内。
- R-CNN(Region-based Convolutional Neural Networks)
步骤:1. SS提取RP;
2. CNN提取特征;
3. SVM分类;
4. BB盒回归。
优点:1. 从DPM HSC的34.3%直接提升到了66%(mAP);
2. 引入RP+CNN。
缺点:1. 训练步骤繁琐(微调网络+训练SVM+训练bbox);
2. 训练、测试均速度慢;
3. 训练占空间。
- Fast R-CNN (Fast Region-based Convolutional Neural Networks)
步骤:1. SS提取RP;
2. CNN提取特征;
3. softmax分类;
4. 多任务损失函数边框回归。
优点:1. 由66.9%提升到70%;
2. 每张图像耗时约为3s。
缺点:1. 依旧用SS提取RP(耗时2-3s,特征提取耗时0.32s);
2. 无法满足实时应用,没有真正实现端到端训练测试;
3. 利用了GPU,但是候选区域提取方法是在CPU上实现的。
- Faster R-CNN (Fast Region-based Convolutional Neural Networks)
步骤:1. RPN提取RP;
2. CNN提取特征;
3. softmax分类;
4. 多任务损失函数边框回归。
优点:1. 提高了检测精度和速度;
2. 真正实现端到端的目标检测框架;
3. 生成建议框仅需约10ms。
缺点:1. 还是无法达到实时检测目标;
2. 获取region proposal,再对每个proposal分类计算量还是比较大。
R-CNN、Fast R-CNN、Faster R-CNN算法对比相关推荐
- Faster R CNN
Faster R CNN 3 FASTER R-CNN 我们的Faster R CNN 由两个模块组成,第一个模块是 proposes regions 的全卷积网络,第二个是使用 proposed r ...
- rcnn 回归_基础目标检测算法介绍:CNN、RCNN、Fast RCNN和Faster RCNN
每次丢了东西,我们都希望有一种方法能快速定位出失物.现在,目标检测算法或许能做到.目标检测的用途遍布多个行业,从安防监控,到智慧城市中的实时交通监测.简单来说,这些技术背后都是强大的深度学习算法. 在 ...
- 深度学习(四):卷积神经网络(CNN)模型结构,前向传播算法和反向传播算法介绍。
在前面我们讲述了DNN的模型与前向反向传播算法.而在DNN大类中,卷积神经网络(Convolutional Neural Networks,以下简称CNN)是最为成功的DNN特例之一.CNN广泛的应用 ...
- CNN结构:用于检测的CNN结构进化-一站式方法
有兴趣查看原文:YOLO详解 人眼能够快速的检测和识别视野内的物体,基于Maar的视觉理论,视觉先识别出局部显著性的区块比如边缘和角点,然后综合这些信息完成整体描述,人眼逆向工程最相像的是DPM模型. ...
- CNN结构:用于检测的CNN结构进化-分离式方法
前言: 原文链接:基于CNN的目标检测发展过程 文章有大量修改,如有不适,请移步原文. 参考文章:图像的全局特征--用于目标检测 目标的检测和定位中一个很困难的问题是,如何从数以万计的候选 ...
- R语言笔记3:提取R对象的子集
R语言基础系列前情提要: 1数据类型(向量.数组.矩阵. 列表和数据框) 2读写数据所需的主要函数.与外部环境交互 Subsetting R Objects 取子集的三种基本方法 [ :"单 ...
- R语言ggplot2可视化:可视化斜率图、对比同一数据对象随着时间推移多个状态的差异(Slope Chart)、例如、对比不同癌症5年期、10年期、15年期存活率的差异
R语言ggplot2可视化:可视化斜率图.对比同一数据对象随着时间推移多个状态的差异(Slope Chart).例如.对比不同癌症5年期.10年期.15年期存活率的差异 目录
- R语言编写自定义函数计算R方、使用自助法Bootstrapping估计多元回归模型的R方的置信区间、可视化获得的boot对象、估计单个统计量的置信区间、分别使用分位数法和BCa法
R语言编写自定义函数计算R方.使用自助法Bootstrapping估计多元回归模型的R方的置信区间.可视化获得的boot对象.估计单个统计量的置信区间.分别使用分位数法和BCa法(Bootstrapp ...
- R语言ggplot2可视化:使用R原生plot函数为指定曲线下面的区域着色、ggplot2可视化在曲线的特定下方添加分割线、ggplot2为指定曲线下面的区域着色
R语言ggplot2可视化:使用R原生plot函数为指定曲线下面的区域着色.ggplot2可视化在曲线的特定下方添加分割线.ggplot2为指定曲线下面的区域着色 目录
- R语言使用tryCatch函数调试R代码实战:tryCatch函数运行正常R代码、tryCatch函数运行有错误(error)的R代码示例/tryCatch函数运行有警告(warning)的R代码示例
R语言使用tryCatch函数调试R代码实战:tryCatch函数运行正常R代码.tryCatch函数运行有错误(error)的R代码示例/tryCatch函数运行有警告(warning)的R代码示例 ...
最新文章
- 初级JavaScript程序员的绝佳进阶书
- 新课程网上选课系统V1.0—适用于中小学校本课程选课、选修课选课
- CodeForces 609B The Best Gift
- linux sudo漏洞 可导致用户以 root 权限运行命令
- POJ 1201 差分约束(集合最小元素个数)
- java投票输出票数最高前三名,给你喜欢的作品投票,票数前三名获本平台赠送书一本。|诗花朵朵...
- Docker 初级教程
- Java 获取Web项目相对webapp地址
- 电脑小白来一起学习计算机基础知识!
- Centos7.0系统下Rsync+sersync实现多文件数据实时增量同步
- 受新冠病毒影响,谷歌延迟发布 Chrome 和 Chrome OS 安全更新版本
- unity游戏开发毕设_基于unity游戏引擎的游戏设计毕设论文.doc
- linux系统下安装中文字体步骤
- 创建pytorch虚拟环境的版本问题
- mt6735 [AT Command] AP下发AT+CLAC命令后 ,手机出现宕机
- 前端项目emoji表情包的使用
- windows新电脑只有固态C盘,如何分盘
- git 回滚、取消commit、取消merge等回退操作
- Opencv用hsv识别车牌(含源码)
- 服务器虚拟光驱,虚拟光驱2016(daemon tools Lite)
热门文章
- html怎么获取手机mac地址,js获取mac地址_Js获取客户端IP地址与MAC地址
- OpenCore引导配置说明第六版
- 《硅谷之谜》读书笔记
- 中国新材料产业应用前景与十四五运营方向分析报告2021年版
- 《自拍教程20》ffmpeg 音视频图像转码工具
- Windows驱动开发之DDK与WDK、WDM的区别
- socket用起始码分割_编码器基础——格雷码的编码美学
- 李子奈计量经济学笔记和课后习题答案
- java se官网_Java下载|Java SE Development Kit官方下载-太平洋下载中心
- 兄弟打印机内存已满清零方法_兄弟打印机清零方法