主要思路就是将object检测和物体分类分离我们提出的R-FCN-3000比YOLO9000高18%，速度每秒30帧。对于几十类的物体实时检测已经发展的比较成熟了。但是在实际生活中，物体的类别达到几

1.概述导读：这篇文章提出的模型叫做R-FCN-3000（3000类目标）是一个目标定位与目标分类相互独立的实时大规模（分类数多）检测器，其含义是将目标定位与分类解耦，分别预测目标置信度（含检测框）与分类概率

【导读】美国马里兰大学、复旦大学和Gobasco人工智能实验室联合提出R-FCN-3000实时3000类目标检测框架，对R-FCN框架中的物体检测和分类进行解耦。

论文：R-FCN-3000at30fps:DecouplingDetectionandClassification链接：https://arxiv.org/abs/1712.01802这篇是CVPR2018的文章，主要是成功将R-FCN算法（关于R-FCN算法的介绍可以看博客：R-FCN算法及Caffe代码详解）应用在检测类别较多的场景下。首先当初提出R-FCN算法的主要目的在于引入positio

CVPR-2018文章目录1BackgroundandMotivation1.1Background1.2Motivation1.3Notion2Innovation3Advantages4Method4.1WeaklySupervisedvs.Supervised?4.2SuperclassDiscovery4.3Architecture4.4LabelAssignment4.5LossFunc

IntroductionR-FCN-3000的定位是large-scaledetector。large-scaledetector核心技术精度意义YOLO-9000语法树较差第一个large-scaledetectorR-FCN-3000解耦“定位”和“分类”较好第一个可实用的large-scaledetector分类采用了YOLO-9000中的分类思想：大类得分×细类得分=最终分类得分定位回归将

论文地址：R-FCN-3000at30fps:DecouplingDetectionandClassification概述：【导读】美国马里兰大学、复旦大学和Gobasco人工智能实验室联合提出R-FCN

WepresentR-FCN-3000,alarge-scalereal-timeobjectdetectorinwhichobjectnessdetectionandclassificationaredecoupled.ToobtainthedetectionscoreforanRoI,wemultiplytheobjectnessscorewiththefine-grainedclassifi