R-CNN
|
两大贡献：1.引入CNN 2.引入fine-tune的方法 |
||||||||
|
Two-stage方法：1.Region Proposal 2.对区域内物体进行分类 |
||||||||
|
trick：1.根据Iou对RP进行过滤 2.在进行边框regression的时候，加入log对损失函数大小进行控制 |
||||||||
|
缺点：速度慢，需要训练三个模型（RP，classify，regression） |
||||||||
|
Selective search：
|
Fast R-CNN
|
贡献：1.共享计算，解决RCNN中CNN对每个region进行运用的问题 2.引入Roi pooling 3.同时进行分类和回归操作 |
|
Two-stage方法 |
|
Roi pooling：先讲ROI分成相同数目的部分，再对每部分进行maxpooling， 就可以得到长度相同的feature map |
Faster R-CNN
|
贡献：1.引入RPN，实现目标检测的端对端 2. |
|
Two-stage方法 |
|
RPN： 1.在滑动窗口中生成大小长宽比例各不相同的anchor box 2.将坐标和anchor box中是否有物体作为样本送入RPN中 |
版权声明：本文为CSDN博主「Enoch Liu98」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_41061258/article/details/122293746
暂无评论