1. R-CNN

ps：在计算机视觉中，深度学习之前，分类器用的是SVM

2. 兴趣区域（RoI）池化层

目的是为了让每个锚框都可以变成一个自己想要的形状。

3. Fast RCNN

具体步骤如下：

对整张图片用CNN抽特征（ps：不是对锚框抽特征），并且抽特征不需要头，就得到7 x 7或者14 x 14的feature map
再用选择性搜索在原始图片中搜索到锚框，再把它映射到CNN的输出，CNN的输出是一个feature map，把原图的锚框在feature map中按比例映射。
再用RoI Pooling对每个锚框抽取特征，假设如图中所示，抽取之后变成两个长为4的向量。图中黄色框框区域可以把一张图片（100个锚框）变成一个100 x 4的向量，这里先不管通道数。
之后再进入全连接层，（注意这里100是100个样本），做分类预测和锚框预测

比之前R-CNN快的原因：不再是对每一个锚框抽取特征，是对整个图片进行特征抽取。

4. Faster R-CNN

使用一个区域提议网络（Region proposal network）来替代之前的启发式搜索来获得更好的锚框。

具体来说，区域提议网络的计算步骤如下：

使用填充为1的的3 x 3卷积层变换卷积神经网络的输出，并将输出通道数记为c。这样，卷积神经网络为图像抽取的特征图中的每个单元均得到一个长度为c的新特征。
以特征图的每个像素为中心，生成多个不同大小和宽高比的锚框并标注它们。
使用锚框中心单元长度为c的特征，分别预测该锚框的二元类别（含目标还是背景）和边界框。
使用非极大值抑制，从预测类别为目标的预测边界框中移除相似的结果。最终输出的预测边界框即是兴趣区域汇聚层所需的提议区域。

5. Mask R-CNN

如果有像素级别的标号，使用FCN来利用这些信息

Mask R-CNN是基于Faster R-CNN修改而来的。具体来说，Mask R-CNN将兴趣区域汇聚层替换为了兴趣区域对齐层，使用双线性插值（bilinear interpolation）来保留特征图上的空间信息，从而更适于像素级预测。兴趣区域对齐层的输出包含了所有与兴趣区域的形状相同的特征图。它们不仅被用于预测每个兴趣区域的类别和边界框，还通过额外的全卷积网络预测目标的像素级位置。

RoI Pooling改成了RoI align，因为RoI Pooling对于像素级别不适用，会可能生成像素级的偏移，会导致在边界的地方是预测不准标号的。

RoI align 则是不像之前分割成4、2、2、1，而是直接在中间切开，沿着左右对称的对称轴切开，和上下对称的对称轴切开，这样会存在把一个像素分割的可能，然后再取出一个像素的一小部分。

6. 模型精度比较

从图中可以看出，Faster RCNN精度很高，但是处理很慢。

7. 总结

R-CNN是最早、也是最有名的一类基于锚框和CNN的目标检测算法
Faster/Faster R-CNN持续提升性能
Faster R-CNN和Mask R-CNN是在最求最高精度场景下的常用算法（Mask R-CNN在无人机中应用比较多）

66.物体检测算法：区域卷积神经网络（R-CNN）系列相关推荐

医学图像处理医学图像处理-卷积神经网络卷积神经网络_典型的深度学习算法（一）：卷积神经网络（CNN）...
通过上一篇文章,相信大家对深度学习的概念.原理已经有了大致了解,近期企通查将会对深度学习中的几种典型算法进行介绍. 在深度学习领域中,已经验证的典型成熟算法有卷积神经网络(CNN).循环神经网络(RN ...
自动驾驶感知——激光雷达物体检测算法
文章目录 1. 基于激光雷达的物体检测 1.1 物体检测的输入与输出 1.2 点云数据库 1.3 激光雷达物体检测算法 1.3.1 点视图 1.3.1.1 PointNet 1.3.1.2 Point ...
碎片2：大白话讲解Mask R-CNN及常见物体检测算法
文章目录 MASK R-CNN调研报告 1.Introduction 1.1 MASK R-CNN简介 1.2 直觉理解MASK R-CNN 2.Algorithm 2.1已有物体检测算法概述 2.1 ...
GraspNet：一种用于低功耗器件抓取实时检测的高效卷积神经网络
GraspNet: An Efficient Convolutional Neural Network for Real-time Grasp Detection for Low-powered De ...
动手学深度学习之物体检测算法R-CNN，SSD，YOLO
区域卷积神经网络R-CNN R-CNN 首先是使用启发式搜索算法来选择锚框,选出很多锚框之后,对于每一个锚框当作一张图片,使用一个预训练好的模型来对他进行特征抽取,然后训练一个SVM来对类别进行分类. ...
中科院张士峰：基于深度学习的通用物体检测算法对比探索
https://www.toutiao.com/a6674792954369933838/ 人工智能论坛如今浩如烟海,有硬货.有干货的讲座却百里挑一.由中国科学院大学主办,中国科学院大学学生会承办,读 ...
论文解析：人脸检测中级联卷积神经网络的联合训练
论文解析:人脸检测中级联卷积神经网络的联合训练商汤科技解析CVPR2016论文:人脸检测中级联卷积神经网络的联合训练 width="250" height="250&q ...
「取长补短」的RefineDet物体检测算法
基于深度学习的物体检测算法可大致分为"一阶段"和"两阶段"两类.一般而言,以Faster RCNN为代表的两阶段检测器在准确度上有优势:而以SSD为代表的单阶段 ...
CVPR 2016｜商汤科技论文解析：人脸检测中级联卷积神经网络的联合训练
论文:Joint Training of Cascaded CNN for Face Detection 论文作者:Hongwei Qin, Junjie Yan, Xiu Li, Xiaolin H ...

66.物体检测算法：区域卷积神经网络（R-CNN）系列