github博客傳送門(mén)
csdn博客傳送門(mén)

==RCNN==

1、生成候選區(qū)域

使用Selective Search（選擇性搜索）方法對(duì)一張圖像生成約2000-3000個(gè)候選區(qū)域，基本思路如下：
（1）使用一種過(guò)分割手段，將圖像分割成小區(qū)域
（2）查看現(xiàn)有小區(qū)域，合并可能性最高的兩個(gè)區(qū)域，重復(fù)直到整張圖像合并成一個(gè)區(qū)域位置。優(yōu)先合并以下區(qū)域：

• 顏色（顏色直方圖）相近的
• 紋理（梯度直方圖）相近的
• 合并后總面積小的
• 合并后，總面積在其BBOX中所占比例大的
  在合并時(shí)須保證合并操作的尺度較為均勻，避免一個(gè)大區(qū)域陸續(xù)“吃掉”其它小區(qū)域，保證合并后形狀規(guī)則。
  （3）輸出所有曾經(jīng)存在過(guò)的區(qū)域，即所謂候選區(qū)域

2、特征提取

使用深度網(wǎng)絡(luò)提取特征之前，首先把候選區(qū)域歸一化成同一尺寸227×227。
使用CNN模型進(jìn)行訓(xùn)練，例如AlexNet，一般會(huì)略作簡(jiǎn)化。

3、類(lèi)別判斷

對(duì)每一類(lèi)目標(biāo)，使用一個(gè)線性SVM二類(lèi)分類(lèi)器進(jìn)行判別。
輸入為深度網(wǎng)絡(luò)（如上圖的AlexNet）輸出的4096維特征，輸出是否屬于此類(lèi)。

4、位置精修

目標(biāo)檢測(cè)的衡量標(biāo)準(zhǔn)是重疊面積：許多看似準(zhǔn)確的檢測(cè)結(jié)果，往往因?yàn)楹蜻x框不夠準(zhǔn)確，
重疊面積很小，故需要一個(gè)位置精修步驟，對(duì)于每一個(gè)類(lèi)，訓(xùn)練一個(gè)線性回歸模型去判定這個(gè)框是否框得完美。

==Fast R-CNN==

Fast R-CNN主要解決R-CNN的以下問(wèn)題：

1、訓(xùn)練、測(cè)試時(shí)速度慢

R-CNN的一張圖像內(nèi)候選框之間存在大量重疊，提取特征操作冗余。
而Fast R-CNN將整張圖像歸一化后直接送入深度網(wǎng)絡(luò)，緊接著送入從這幅圖像上提取出的候選區(qū)域。
這些候選區(qū)域的前幾層特征不需要再重復(fù)計(jì)算。

2、訓(xùn)練所需空間大

R-CNN中獨(dú)立的分類(lèi)器和回歸器需要大量特征作為訓(xùn)練樣本。Fast R-CNN把類(lèi)別判斷和位置精調(diào)統(tǒng)一用深度網(wǎng)絡(luò)實(shí)現(xiàn)，不再需要額外存儲(chǔ)。

下面進(jìn)行詳細(xì)介紹

在特征提取階段，通過(guò)CNN（如AlexNet）中的conv、pooling、relu等操作都不需要固定大小尺寸的輸入，
因此，在原始圖片上執(zhí)行這些操作后，輸入圖片尺寸不同將會(huì)導(dǎo)致得到的feature map（特征圖）尺寸也不同，這樣就不能直接接到一個(gè)全連接層進(jìn)行分類(lèi)。
在Fast R-CNN中，作者提出了一個(gè)叫做ROI Pooling的網(wǎng)絡(luò)層，這個(gè)網(wǎng)絡(luò)層可以把不同大小的輸入映射到一個(gè)固定尺度的特征向量。
ROI Pooling層將每個(gè)候選區(qū)域均勻分成M×N塊，對(duì)每塊進(jìn)行max pooling。將特征圖上大小不一的候選區(qū)域轉(zhuǎn)變?yōu)榇笮〗y(tǒng)一的數(shù)據(jù)，送入下一層。
這樣雖然輸入的圖片尺寸不同，得到的feature map（特征圖）尺寸也不同，
但是可以加入這個(gè)神奇的ROI Pooling層，對(duì)每個(gè)region都提取一個(gè)固定維度的特征表示，就可再通過(guò)正常的softmax進(jìn)行類(lèi)型識(shí)別。

在分類(lèi)回歸階段，在R-CNN中，先生成候選框，然后再通過(guò)CNN提取特征，之后再用SVM分類(lèi)，最后再做回歸得到具體位置（bbox regression）。
而在Fast R-CNN中，作者巧妙的把最后的bbox regression也放進(jìn)了神經(jīng)網(wǎng)絡(luò)內(nèi)部，與區(qū)域分類(lèi)合并成為了一個(gè)multi-task模型
實(shí)驗(yàn)表明，這兩個(gè)任務(wù)能夠共享卷積特征，并且相互促進(jìn)。
Fast R-CNN很重要的一個(gè)貢獻(xiàn)是成功地讓人們看到了Region Proposal+CNN（候選區(qū)域+卷積神經(jīng)網(wǎng)絡(luò)）這一框架實(shí)時(shí)檢測(cè)的希望，原來(lái)多類(lèi)檢測(cè)真的可以在保證準(zhǔn)確率的同時(shí)提升處理速度。

==Faster R-CNN==

在Faster R-CNN中加入一個(gè)提取邊緣的神經(jīng)網(wǎng)絡(luò)，也就說(shuō)找候選框的工作也交給神經(jīng)網(wǎng)絡(luò)來(lái)做了。
這樣，目標(biāo)檢測(cè)的四個(gè)基本步驟（候選區(qū)域生成，特征提取，分類(lèi)，位置精修）終于被統(tǒng)一到一個(gè)深度網(wǎng)絡(luò)框架之內(nèi)。

Faster R-CNN可以簡(jiǎn)單地看成是“區(qū)域生成網(wǎng)絡(luò)+Fast R-CNN”的模型，用區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，簡(jiǎn)稱RPN）來(lái)代替Fast R-CNN中的Selective Search（選擇性搜索）方法。

RPN的工作步驟如下：

• 在feature map（特征圖）上滑動(dòng)窗口
• 建一個(gè)神經(jīng)網(wǎng)絡(luò)用于物體分類(lèi)+框位置的回歸
• 滑動(dòng)窗口的位置提供了物體的大體位置信息
• 框的回歸提供了框更精確的位置

==總結(jié)==

R-CNN、Fast R-CNN、Faster R-CNN一路走來(lái)，基于深度學(xué)習(xí)目標(biāo)檢測(cè)的流程變得越來(lái)越精簡(jiǎn)、精度越來(lái)越高、速度也越來(lái)越快。
基于region proposal（候選區(qū)域）的R-CNN系列目標(biāo)檢測(cè)方法是目標(biāo)檢測(cè)技術(shù)領(lǐng)域中的最主要分支之一。

print_r('點(diǎn)個(gè)贊吧')； var_dump('點(diǎn)個(gè)贊吧')； NSLog(@"點(diǎn)個(gè)贊吧！") System.out.println("點(diǎn)個(gè)贊吧!"); console.log("點(diǎn)個(gè)贊吧!"); print("點(diǎn)個(gè)贊吧!"); printf("點(diǎn)個(gè)贊吧!\n"); cout << "點(diǎn)個(gè)贊吧!" << endl; Console.WriteLine("點(diǎn)個(gè)贊吧!"); fmt.Println("點(diǎn)個(gè)贊吧!") Response.Write("點(diǎn)個(gè)贊吧")； alert（’點(diǎn)個(gè)贊吧’）

轉(zhuǎn)載于:https://www.cnblogs.com/Mrzhang3389/p/10228451.html

總結(jié)

以上是生活随笔為你收集整理的R-CNN , Fast R-CNN , Faster R-CNN原理及区别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。