目标检测（上）

目标检测（上）

检测图片中所有物体的：类别标签，位置

1 R-CNN的架构

2 R-CNN训练流程

3 分类部分R-CNN:

SVM训练完成后，如果完全分类正确，所有正样本的输出概率都大于0.5，而所有负样本的输出概率都小于0.5。
但常见的情况是有一部分的负样本的输出概率也大于0.5的，这些样本就称之为"False Positives"。
如果把这些“False Positives”收集起来，对SVM进行二次训练，经过二次训练的SVM的分类准确度一般会有一定的提升。

4 Fast R-CNN网络

4.1 改进

比R-CNN，SPP-Net更快的trainng/test ·
更高的mAP
● 实现end-to-end（端对端）单阶段训练
● 多任务损失函数（Multi-taskloss）
所有层的参数都可以fine tune
不需要离线存储特征文件

4.2 在SPP-Net基础引入2个新技术

感兴趣区域池化层；多任务损失函数。

4.3 感兴趣区域池化

空间金字塔池化的单层特例
将Rol区域的卷积特征拆分成HxW网格
每个Bin内的所有特征进行Max pooling