【目标检测】对RCNN系列的解读与认识

对RCNN系列的解读与认识

    • 针对RCNN的解读与认识
    • 针对Fast RCNN的解读与认识
    • 针对Faster RCNN的解读与认识

针对RCNN的解读与认识

【目标检测】对RCNN系列的解读与认识_第1张图片
RCNN检测目标所遵循的简要步骤:

  1. 将图像作为输入;
  2. 使用一些proposals(如:选择性搜索方法)获得感兴趣区域(RoI);
  3. 对所有这些区域调整尺寸,并将每个区域传递给卷积神经网络(迁移学习);
  4. CNN为每个区域提取特征,二分类SVM用于将这些区域划分为不同的类别;
  5. 边界框回归(bbox reg)用于预测每个已识别区域的边界框。

RCNN模型局限性:

  • 基于选择性搜索算法为每个图像提取2000个候选区域,耗时;
  • 使用串行式CNN为每个图像区域提取特征,耗时;
  • RCNN整个物体检测过程用到三种模型:
    1)CNN模型用于特征提取;
    2)线性SVM分类器用于识别目标的类别;
    3)回归模型用于merge边界框。
    三个模型是分别训练的,并且在训练的时候,对于存储空间的消耗很大。

针对Fast RCNN的解读与认识

【目标检测】对RCNN系列的解读与认识_第2张图片Fast RCNN检测目标所遵循的简要步骤:

  1. 首先将图像作为输入;
  2. 将图像直接传递给卷积神经网络,生成感兴趣的区域(RoI);
  3. 对所有这些区域上应用RoI Pooling,以调整每个区域的尺寸。然后,将每个区域传递给全连接层的网络(FC Layer)。
  4. 最后,使用softmax层输出类别;
  5. 以及并行使用线性回归层,用于预测每个已识别区域的边界框。

解决问题:

  • 将每个图像中的1个而不是2000个区域传递给卷积神经网络,
  • 并使用一个模型来实现提取特征、分类和生成边界框。

Fast RCNN模型局限性:

  • 仍然使用选择性搜索作为查找感兴趣区域的提议方法,耗时。

针对Faster RCNN的解读与认识

【目标检测】对RCNN系列的解读与认识_第3张图片
Faster RCNN检测目标所遵循的简要步骤:

  1. 首先将图像作为输入;
  2. 将图像直接传递给卷积神经网络,生成该图像的特征图(feature map);
  3. 在这些特征图上应用区域提议网络(RPN),预测proposals区域及其分数;
  4. 对所有这些区域上应用RoI Pooling,以调整每个区域的尺寸。
  5. 然后,将每个区域传递给全连接层的网络(FC Layer)。
  6. 最后,使用softmax层输出类别;
  7. 以及并行使用线性回归层,用于预测每个已识别区域的边界框。

解决问题:

  • 用Region Proposal Network代替selective search,在生成RoI区域时,时间可大幅缩减。

Faster RCNN模型局限性:

  • 该算法需要多次通过单个图像来提取到所有对象;
  • 由于不是端到端的算法,不同的系统一个接一个地工作,整体系统的性能进一步取决于先前系统的表现效果。

你可能感兴趣的:(目标检测,RCNN,Fast,RCNN,Faster,RCNN,目标检测)