图像目标检测方法之二：Fast R-CNN
2018-11-21 本文已影响0人
哎吆喂轩
虽然RCNN使用了selective search等预处理步骤来提取潜在的bounding box作为输入，但是计算机对所有region进行特征提取时会有重复计算，Fast-RCNN正是为了解决这个问题诞生的。
Fast R-CNN是在RCNN的基础上采纳了SPP Net方法，使得RCNN的性能进一步提升。
这里简要对比一下 R-CNN 与Fast-RCNN 的区别，如下图所示：
Faste-RCNN 的操作流程如下图所示：
图像检测步骤
操作步骤流程
Fast RCNN 的操作步骤：
- 在图像中确定约1000-2000个候选框 (使用选择性搜索)
- 对整张图片输进CNN，得到feature map
- 找到每个候选框在feature map上的映射patch，将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层
- 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
- 对于属于某一特征的候选框，用回归器进一步调整其位置
最后总结一下各大算法的步骤：
Faster RCNN
- 对整张图片输进CNN，得到feature map
- 卷积特征输入到RPN，得到候选框的特征信息
- 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
- 对于属于某一特征的候选框，用回归器进一步调整其位置
