知识卡片
RCNN分阶段检测目标
R-CNN 先用选择搜索产生候选区域,再将不同大小的区域缩放到网络输入尺寸,提取卷积特征并分类,最后回归修正边界框。候选生成、特征提取、分类和框精修分阶段执行,区域大量重叠会重复计算并占用存储;多给候选框也不能无条件提高检测质量。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 9 . 3 . 3 基 于 神 经 网 络 算 法 的 目 标 检 测 与 识 别 · 查看原书依据
需要注意的是,R-CNN模型中提取候选框、识别阶段的特征提取与分类器设计,以及有效候选框的位置精修是分阶段依次进行的,并不是一个统一的框架。
参考来源
- 位置:《智能算法导论》第 186 项《19.3.3 基于神经网络算法的目标检测与识别/R-CNN》(源文件:`_epub-src/EPUB/xhtml/chapter19_0009.xhtml`)
- 结论依据:正文列出选择搜索、区域缩放、CNN 特征、SVM 分类、边界框回归及分阶段特点,并描述候选重叠和冗余。
- 原始内容:“提取候选框、识别阶段的特征提取与分类器设计,以及有效候选框的位置精修是分阶段依次进行的”。