R-CNN,Fast-RCNN,Faster_RCNN,YOLO对比
2017-06-02 23:06
411 查看
R-CNN
(2013年)论文地址:http://is.ulsan.ac.kr/files/announcement/513/r-cnn-cvpr.pdfSelective Search生成2000个候选框,拉伸(wrap)为227*227,通过CNN提取特征,最后用SVM分类器进行类别判断。(这边定位框是怎么做的?)
R-CNN是深度学习在目标检测领域的重要一步。
Fast R-CNN
(2015年)论文地址:https://arxiv.org/abs/1504.08083Selective Search生成2000个候选框,不同于R-CNN,Fast R-CNN中不对每个候选图都进行CNN计算,而是把候选框映射到映射到CNN 的最后一层feature map上。通过RoI pooling层将每个候选框生成固定尺寸的feature map。利用FC和softmax输出类别信息,利用FC和regressor生成bbox位置。
Fast R-CNN的特色是RoI pooling层,(其主要作用是。。。。)
Faster R-CNN
(2015年)论文地址:https://arxiv.org/abs/1506.01497Selective Search生成候选框只能依靠CPU,无法采用GPU加速,同时2000个候选框有些多,加重了神经网络计算压力。Faster R-CNN中采用RPN(Region Proposal Network)产生300个候选框。
Faster R-CNN=RPN+Fast R-CNN
RCNN系列的发展,可以用以下几句话来概括:
RCNN ,“为什么不用CNN做object detection呢?”“提取很多框,CNN提取特征,SVM分类”
Fast-RCNN ,“为什么不一起输出bounding box和label呢,干嘛输入部分要重复CNN计算?””前面CNN只计算一次,RoI pooling后,FC输出类别和bbox,”
Faster-RCNN ,“为什么还要用selective search呢?”“用RPN计算候选框”
相关文章推荐
- 【相关知识】目标检测之||R-CNN||SPP-NET ||Fast-RCNN ||Faster-RCNN||YOLO ||SSD
- 目标检测:RCNN、FAST-RCNN、FASTER-RCNN对比
- RCNN, Fast RCNN和Faster RCNN的简单总结与对比
- Rcnn->Sppnet->Fast Rcnn->Faster Rcnn->R-FCN->Yolo
- R-CNN,SPP-NET, Fast-R-CNN,Faster-R-CNN, YOLO, SSD系列深度学习检测方法梳理
- RCNN系列总结(RCNN,SPPNET,Fast RCNN,Faster RCNN)
- RCNN & SPP-net & Fast-RCNN & Faster-RCNN
- R-CNN,SPP-NET, Fast-R-CNN,Faster-R-CNN, YOLO, SSD系列深度学习检测方法梳理
- rcnn-fast-rcnn--faster-rcnn 对比及相关原理解释
- detection总结R-CNN>SPP-Net>Fast-R-CNN>Faster-R-CNN>YOLO>SSD
- 深度学习目标检测:RCNN,Fast,Faster,YOLO,SSD比较
- rcnn-fast-rcnn--faster-rcnn 对比及相关原理解释
- R-CNN,SPP-NET, Fast-R-CNN,Faster-R-CNN, YOLO, SSD系列深度学习检测方法梳理
- R-CNN,SPP-NET, Fast-R-CNN,Faster-R-CNN, YOLO, SSD系列深度学习检测方法梳理
- R-CNN,Fast-R-CNN,Faster-R-CNN, YOLO, SSD系列,深度学习object detection梳理
- 概念理解R-CNN --> FAST-RCNN --> FASTER-RCNN
- 目标检测之RCNN,fast RCNN,faster RCNN
- rcnn-fast-rcnn--faster-rcnn 对比及相关原理解释
- Detection物体检测及分类方法总结(RFCN/SSD/RCNN/FastRCNN/FasterRCNN/SPPNet/DPM/OverFeat/YOLO)
- RCNN, Fast RCNN, Faster RCNN