目标检测算法之SPP-net, Fast R-CNN, Faster R-CNN

一、SPP-net算法

1、R-CNN的缺陷在于每个候选区域都进行了卷积运算

2、SPP-net算法相比于R-CNN，主要进行了两点改进，提出了SPP层

SS：选择性搜索

3、映射

文档链接：http://kaiminghe.com/iccv15tutorial/iccv2015_tutorial_convolutional_feature_maps_kaiminghe.pdf

4、SPP层：将特征图转换成固定大小的特征向量

max pooling：最大池化
池化了解：https://www.zhihu.com/question/303215483/answer/615115629

5、总结

二、Fast R-CNN算法

1、相较于R-CNN算法改进的地方

2、Rol pooling

一个简单版本的spp，目的是为了减少计算时间并且得出固定长度的向量。使用一种4*4=16空间盒数


伪端到端，并不是一个真正意义上的端到端目标检测算法。

3、多任务损失

4、SPP-net, Fast R-CNN, Faster R-CNN三种算法对比

三、Faster R-CNN算法

1、改进之处

可总结为：RPN+FastR-CNN

RPN(Region Proposal Network)：区域生成网络，替代了选择性搜索算法

region proposals：候选区域

2、RPN原理

  RPN网络的主要作用是得出比较准确的候选区域。整个过程分为两步：(1)用 n*n (默认3x3=9)的大小窗口去扫描特征图，每个滑窗位置映射到一个低维的向量(默认256维) ；(2)每个滑窗位置考虑k种(在算法论文设计中k=9)可能的参考窗口(论文种称为anchors)

3、Faster R-CNN的训练组成

4、总结

四、开源keras Faster RCNN模型介绍

地址: https://github.com/jinfagang/keras_frcnn

1、环境需求

(1)由于该源代码由keras单独库编写所以需要下载keras,必须是2.0.3版本

pip install keras==2.0.3

(2)该源码读取图片以及处理图片标记图片工具使用opecv需要安装

pip install opencv-python

2、keras Faster RCNN代码结构

源码组成结构:

本文章参考了百度百科，他人技术文章以及哔哩哔哩免费教程，综合整理而来，如有侵权联系删除，小白一个，欢迎大家指导交流！