知识卡片
Fast到Faster整合检测
Fast R-CNN 将共享卷积特征、分类和边界框精修纳入同一检测网络,但候选区域仍由网络外部提供。Faster R-CNN 增加候选区域生成网络,并与检测头共享卷积特征,让候选提议也由网络学习。两者的关键差别是候选区域从何而来;“统一框架”不表示训练和推理没有多阶段结构。
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
而faster R-CNN则首次提出使用候选区域生成网络(注意不再是之前R-CNN和fast R-CNN中的选择搜索方法),通过将候选区域生成网络和fast R-CNN中识别阶段的深度网络融合形成一个统一的基于深度神经网络的目标检测与识别框架(其中,这两个网络训练时采用共享卷积层流的方式),注意候选区域生成网络的核心思想是通过卷积神经网络直接生成候选区域。
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/Fast R-CNN 与 Faster R-CNN》(源文件:`_epub-src/EPUB/xhtml/chapter19_0009.xhtml`)
- 结论依据:正文指出 Fast R-CNN 整合特征、分类与位置精修,Faster R-CNN 使用候选区域生成网络并共享卷积层。
- 原始内容:“faster R-CNN则首次提出使用候选区域生成网络……通过将候选区域生成网络和fast R-CNN中识别阶段的深度网络融合”。