第十二周学习周报一、本周学习情况1、学习了吴恩达老师微专业课《深度学习工程师》第三篇：结构化机器学习项目第一周内容：机器学习（ML）策略（1）2、看了fast-rcnn算法详解和论文相关笔记，但是fastrcnn

fastrcnn借鉴了sppnet，只把整张图过一遍cnn，然后在roilayer把proposal对应到featuremap上，速度提升非常大fasterrcnn

selectivesearch等)2.每个候选框内图像块缩放至相同大小，并输入到CNN内进行特征提取3.对候选框中提取出的特征，使用分类器判别是否属于一个特定类4.对于属于某一特征的候选框，用回归器进一步调整其位置FastRCNN1

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

在RCNN基础上做了改进就有了FASTRCNN和FASTERRCNNFast-RCNNFast-RCNN主要贡献在于对RCNN进行加速。

【二、准备工作】1、复习一下传统CNN、DenseNet、FastRCNN、Lightgbm、Xgboost、GBDT等常用算法的原理。2

忽然感觉用python的频率越来越大了，是因为python高层次抽象太方便了，在运行fastRCNN的时候OP算法选的是Edge_Boxes是matlab的所以就涉及到了python调用Matlab的问题

RCNN系列过程先后经历了RCNN(regionproposals+CNN)—>SPPnet—>FastRCNN—>FasterRCNN—>MaskRCNNRCNN整体架构RCNN的整体过程如上图所示，

第二个参数是矩形宽度第三个坐标是矩形高度注意：在fastrcnn代码中，roi框是在图像中画出来的，而图像的原点在左上角，但坐标轴的原点在左下角，所以即使Rectangle中参数一模一样，但在图像和坐标轴中画出来的不一样

具体操作如下：1.修改train.py在/lib/fastrcnn/train.py中，train_m

学习计算机视觉，深度学习快一年了，第一次写博客，想记录自己学习的过程，深度学习作目标检测的模型已经有很多，包括RCNN,FastRCNN,YOLO,SSD等，本次实验室利用FastRCNN做目标检测，数据集是采集的大疆四旋翼无人机

（backbone+rpn+fastrcnn——>backbone1+rpn1+fastrcnn，backbone、rpn参数更新）2.stage1_fast_rcnn_train.pt单独训练检测网络

Fastr-cnn.”ProceedingsoftheIEEEInternationalConferenceonComputerVision.2015.继2014年的RCNN之后，RossGirshick在15年推出FastRCNN

目标检测之fastRCNN[2015Ross]ROI：regionofinterest(类似regionproposal)B0.RegionProposal:和RCNN一样2k每张图ROI，为每个ROI

现在fastRCNN从头到尾似乎都顺了，从selectivesearch到CNN提取特征，再到ROIpooling后接全连接网络，多任务学习参考faster以及SSD两种检测框架中对于正负样本的选取准则

SmoothL1Loss出自论文：https://arxiv.org/abs/1504.08083采用该Loss的模型（FasterRCNN，SSD，，）SmoothL1Loss是在FastRCNN论文中提出来的

fastRCNN论文笔记背景介绍RBG大神14年创作出RCNN之后，仿佛打开了潘多拉魔盒，一年之后又创作出了fastPCNN和fasterRCNN，这里先介绍前者。

当前，目标检测有很多种算法如YOLO、RCNN、fastRCNN和fasterRCNN等。我们只需要学习最新最强的目标检测算法即可，为此，笔者将介绍由ShaoqingRen

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）CNN：RCNN、SPPNet、FastRCNN、FasterRCNN、YOLOV1V2V3

训练详解源码地址与小结前言前两周完成了resnet50垃圾分类，但总觉得太过于基础，不能让人眼前一亮，另外由于我自己也是深度学习的爱好者，所以我应该提高一点难度，于是决定做一次目标检测，大概一个月前学习了RCNN，FastRCNN

RCNN，FastRCNN,FasterRCNN,Yolo,Yolo-v2,Yolo-v3,MobileNet-SSD等目标检测算法也百花齐放。

动机：fastRCNN由于有了ROIpooling使得候选框的特征计算不用重复计算网络。

star一下，目前支持pytorch1.0系列参考：faster_rcnn_pytorch中的roi_pooling源码解析ROIPooling原理及实现ROIPOOLING原理roi_pooling提出自FastRCNN

转载自http://lanbing510.info/2017/08/24/RCNN-FastRCNN-FasterRCNN.html写在前面在深度学习出现之前，传统的目标检测方法大概分为区域选择（滑窗）

训练fastrcnn时，采用了OHEM。先训练AF-RPN，然后联合训练。在MLT上预训练，然后在各自数据集上继续。没说数据扩增（crop，。。

原文链接：http://www.cnblogs.com/sandy-t/p/7214595.html前言像RCNN，fastRCNN,fasterRCNN，这类检测方法都需要先通过一些方法得到候选区域，

官网：github.com/rbgirshick/fast-rcnn结合博客：blog.csdn.net/samylee/article/details/50965935注意：FastRCNN的github

今天来介绍fasterrcnn中的另一个子网络，fastrcnn检测网络。网络结构如下图所示，检测网络的具体结构如下图所示。

参考：RCNN介绍参考：RCNN,FastRCNN,FasterRCNN整理总结一、RCNN【借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化】20180527152957814

Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation)是将CNN方法引入目标检测领域，大大提高了目标检测效果，可以说改变了目标检测领域的主要研究思路，（RCNN）,FastRCNN

综述基于深度学习的目标检测学习总结faster-rcnn系列文章faster-rcnnPython实现版本faster-rcnn系列文章介绍RCNN算法详解FastRCNN算法详解FasterRCNN算法详解

1.综述经过R-CNN和FastRCNN的积淀，RossB.Girshick在2016年提出了新的FasterRCNN，在结构上，FasterRCNN已经将特征抽取(featureextraction)

AlexNet(2012)VGG(2014)GooLeNet(2014)FPN(2017)ResNet(2015)YOLO系列(2016、2017、2018)SSD(2015)rcnn系列：fastrcnn

2013年的RCNN，ICCV2015年的fastrcnn，以及NIPS2015的fasterrcnn逐步确定了twostage目标检测的框架。

说到图像目标检测，不得不提这三板斧，RCNN——将CNN方法引入目标检测领域，大大提高了目标检测效果，可以说改变了目标检测领域的主要研究思路，紧随其后的FastRCNN，FasterRCNN代表该领域当前最高水准

三相关背景介绍15年6月首次挂在arXiv上，就比FastRCNN晚一个多月，比YOLOv1早几天，比ResNet早半年。中了15年的NIPS。

目录改进之处训练框架部分损失函数YOLOv2的网络模型光看原理不难的，但看代码就非常的痛苦，一是没有合适版本的，而是不同于以前看的Fastrcnn系列的网络架构，很清晰的全都有，YOLO一部分是放在了darknet

RCNN系列算法（RCNN/FastRCNN/FasterRCNN）是two-stage模式，即经过了两次检测，第一次是获取proposalbox，第二次才是图像预测。

这篇博客总述了从RCNN到MaskRCNN的发展过程https://blog.csdn.net/heavenpeien/article/details/80534963简单的说，FastRCNN和FasterRCNN

前言在上一篇博文：【计算机视觉——RCNN目标检测系列】一、选择性搜索详解我们重点介绍了RCNN和FastRCNN中一个重要的模块——选择性搜索算法，该算法主要用于获取图像中大量的候选目标框。

0.引言在人脸检测算法如R-CNN、FastRCNN中都用到了boundingbox回归，回归的目标是使得预测的物体窗口向groundtruth窗口相接近。

一、Rcnn→FastRcnn→FasterRcnnRCNN：用SelectiveSearch方法直接在图像上画框框（regionproposal：