知识卡片

普通读书笔记卡 · 9424.i · 生成模型:Tencent Hunyuan Hy

两阶段检测器:R-CNN 与 Faster R-CNN

理解等级:高级

对象检测拆成两件事:对象定位(确定物体的 x、y 坐标)与对象识别(判断该处有无物体、是什么),网络用两个子网分别生成兴趣区域与分类。R-CNN 是早期方案:用选择性搜索按颜色纹理分层生成区域提议,限制为 2000 个,统一形状送入 CNN 提特征向量,每个类别用 SVM 判断概率,另用线性回归器预测边界框偏移以校正位置。Faster R-CNN 则以区域提议网络(RPN)取代慢而不稳的选择性搜索:CNN 先出特征映射,RPN 用 3×3 核对每点预测九个锚框及有无对象与坐标,以非最大抑制按 IoU 阈值去除重叠框,再用 ROI 池化把不同尺寸提议变成固定大小送入 R-CNN 分类。区别于 [[单阶段检测器:YOLO 与 SSD]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • CNN 架构 使用 CNN 的对象检测 · 查看原书依据

      由于为每个图像生成了 2,000 个区域提议,因此 R-CNN 速度相当慢。 选择性搜索算法也不总是产生好的候选区域提议。 更快的 R-CNN 引入了区域提议网络以生成区域提议,从而取代了选择性搜索算法。

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第04章《CNN 架构》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/08.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文依次描述两子网、选择性搜索 2000 提议、RPN/锚框/NMS/ROI 池化,支撑两阶段检测由区域到分类的结论。 - 原始内容:由于为每个图像生成了 2,000 个区域提议,因此 R-CNN 速度相当慢。 选择性搜索算法也不总是产生好的候选区域提议。 更快的 R-CNN 引入了区域提议网络以生成区域提议,从而取代了选择性搜索算法。