用fast-r-cnn对图片进行特征图提取并学习。

objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。objectdetection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。objectdetection技术的演进：RCNN->SppNET->Fa

目录YOLOv1基本思想网络结构损失函数训练过程与Fast-R-CNN对比升级版YOLOv2YOLOv2改进之处YOLOv2网络结构YOLO9000YOLOv3优缺点YOLOv.s.FasterR-CNNDarknet

1.YOLOV1（youonlylookonce）介绍之前的R-CNN,Fast-R-CNN，Faster-R-CNN等都是Two-stage算法的代表，它们将目标检测分解成了两个阶段，首先是候选区域的提取

(有多少类别就有多少个SVM分类器)4、使用回归器精细修正候选框位置R-CNN算法缺陷1、测试速度慢2、训练速度慢，过程繁琐3、训练所需的空间很大FAST-R-CNN算法流程与R-CNN相比，训练时间快九倍

Fast-r-cnn是Ross在2015年发表的一篇论文，其网络全称为：FastRegion-basedConvolutionalNetworkmethod–用于目标检测的基于区域的快速卷积网络算法。

在Fast-R-CNN中，第一步需要先使用SelectiveSearch方法提取图像中的proposals。

（比如：R-CNN,Fast-R-CNN,Faster-R-CNN）YOLO算法：把目标检测看做是一个regression问题来处理，通过一个神经网络，直接从一张图像中预测出bbox

p=403FastR-CNN:https://alvinzhu.xyz/2017/10/10/fast-r-cnn/FasterR-CNN:https://alvinzhu.xyz/2017/10/12

为什么提出Fast-R-CNN：1、R-CNN网络训练、测试繁琐，包括提取候选区、提取CNN特征、SVM分类和Bounding-box回归等步骤，网络训练、测试速度都很慢。

一个目标检测算法大体可分为以下几个部分：（1）锁定目标区域（2）图像特征提取（3）根据特征对目标进行分类（4）对目标定位并用包围框进行标注本文重点叙述锁定候选区域的算法及其余三部分的典型算法介绍，最后对R-CNN、Fast-R-CNN

yang1688899/Vehicle-Detection-YOLO-kerasYOLO简介：YOLO意为YouOnlyLookOnce，是一种基于深度学习的端对端（endtoend）物体检测方法.与R-CNN,Fast-R-CNN

注：1.本博文持续更新中，文章较长，可以收藏方便下次阅读。2.本人原创，谢绝转载。1.R-CNN：Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation技术路线：selectivesearch+CNN+SVMsStep1:候选框提取(selectivesearch)训练：给定一张图片，利用seletivesea

21.r-cnn，fast-r-cnn、faster-r-cnn三者的区别？

目前可以将现有的基于深度学习的目标检测与识别算法大致分为以下三大类：基于区域建议的目标检测与识别算法，如R-CNN,Fast-R-CNN,Faster-R-CNN;基于回归的目标检测与识别算法，如YOLO

一目标识别分类及应用场景目前可以将现有的基于深度学习的目标检测与识别算法大致分为以下三大类：①基于区域建议的目标检测与识别算法，如R-CNN,Fast-R-CNN,Faster-R-CNN;②基于回归的目标检测与识别算法

1.FastR-CNNR-CNN需要很多候选区域以提高准确度，但是很多候选区域其实是彼此重叠的，如果我们有2000个候选区域，每一个候选区域都需要独立的送到CNN中，对于不同的ROI，我们需要提取2000次特征，效率很低。CNN的特征图是以一种密集的方式表征空间特征，我们可以直接使用特征图来代替原图来检测目标。不同于R-CNN多次对每个图像提取特征，FastR-CNN使用特征提取器(CNN)先提取

产生大量的可能包含待检测物体的potentialboundingbox，再用分类器去判断每个boundingbox里是否包含有物体，以及物体所属类别的probability或者confidence，如R-CNN,Fast-R-CNN

闲的蛋疼，看了一下objectdetection的经典文章，简单总结一下（因为不做cv，说错了请指出）：0）objectdetection的任务：找到图片中的object（给出边框位置，regresion），以及给出object对应的是什么（classification）。一般步骤就是：候选框提取（regionsproposal，经典方法是selectivesearch），然后提取region中的

R-CNN等传统弊端：基本步骤：通过select选取候选框，一般每张图2000个左右对每张候选框图进行深度学习，提取特征将特征送到分类器，如svm进行判别使用精准回归对候选框进行修正问题：训练速度慢，候选框之间存在大量的重复，提取特征速度慢训练所需大量内存空间，大量的特征。主要原因就是R-CNN在深度学习之前进行候选框提取，造成大量重叠的候选框需要进行特征提取。改进：FASTER-R-CNN在图像

R-CNN等传统弊端：基本步骤：通过select选取候选框，一般每张图2000个左右对每张候选框图进行深度学习，提取特征将特征送到分类器，如svm进行判别使用精准回归对候选框进行修正问题：训练速度慢，候选框之间存在大量的重复，提取特征速度慢训练所需大量内存空间，大量的特征。主要原因就是R-CNN在深度学习之前进行候选框提取，造成大量重叠的候选框需要进行特征提取。改进：FASTER-R-CNN在图像