H02-RCNN和SPPNet

目录

1.目标检测-Overfeat模型

1.1 滑动窗口

1.2 Overfeat模型总结

2.目标检测-RCNN模型

2.1 完整的R-CNN结构

2.1.1 候选区域(Region of lnterest)得出(了解)

2.1.2 CNN网络提取特征

2.1.3 特征向量训练分类器SVM

2.1.4 非最大抑制（NMS）

2.1.5 修正候选区域

2.2 检测的评价指标

2.2.1 IoU交并比

2.2.2 平均精确率（mean average precision）MAP

2.3 R-CNN总结

3.改进-SPPNet

3.1 SPPNet

3.1.1 映射

3.1.2 spatial pyramid pooling

3.1.3 SPPNet总结

4.Fast R-CNN

4.1 Fast R-CNN

---

1.目标检测-Overfeat模型

1.1 滑动窗口

1.2 Overfeat模型总结

• 暴力破解方式
• 计算消耗太大

2.目标检测-RCNN模型

在CVPR 2014年中Ross Girshick提出R-CNN。

2.1 完整的R-CNN结构

        不使用暴力方法，而是用候选区域方法（region proposal method) ,创建目标检测的区域改变了图像领域实现物体检测的模型思路，R-CNN是以深度神经网络为基础的物体检测的模型，R-CNN在当时以优异的性能令世人瞩目，以R-CNN为基点，后续的SPPNet、Fast R-CNN、Faster R-CNN模型都是照着这个物体检测思路。

2.1.1 候选区域(Region of lnterest)得出(了解)

        SelectiveSearch在一张图片上提取出来约2000个侯选区域需要注意的是这些候选区域的长宽不固定。而使用CNN提取候选区域的特征向量，需要接受固定长度的输入，所以需要对候选区域做一些尺寸上的修改。

2.1.2 CNN网络提取特征

2.1.3 特征向量训练分类器SVM

 

2.1.4 非最大抑制（NMS）

2.1.5 修正候选区域

2.2 检测的评价指标

2.2.1 IoU交并比

• IoU交并比：0~1之间的值
• 位置的考量
• 通常Correct：类别正确且loU > 0.5

2.2.2 平均精确率（mean average precision）MAP

• 物体检测的：分类准确的考量 

2.3 R-CNN总结

• 表现：在VOC2007数据集上的平均精度map达到66%
• 缺点：
  

3.改进-SPPNet

3.1 SPPNet

3.1.1 映射

3.1.2 spatial pyramid pooling

3.1.3 SPPNet总结

4.Fast R-CNN

SPPNet的性能已经得到很大的改善，但是由于网络之间不统一训练，造成很大的麻烦，所以接下来的FastR-CNN就是为了解决这样的问题。

4.1 Fast R-CNN