Fast RCNN

相较于RCNN的改进 Fast RCNN仍然使用selective search选取2000个建议框，但是这里不是将这么多建议框都输入卷积网络中，而是将原始图片输入卷积网络中得到特征图，再使用建议框对特征图提取特征框。这样做的好处是，原来建议框重合部分非常多，卷积重复计算严重，而这里每个位置都只计算了一次卷积，大大减少了计算量 由于建议框大小不一，得到的特征框需要转化为相同大小，这一步是通过ROI池化层（region of interest）来实现的 Fast RCNN里没有SVM分类器和回归器了，分类和预测框的位置大小都是通过卷积神经网络输出的 为了提高计算速度，网络最后使用SVD代替全连接层 算法流程 输入一张图片，使用Selective Search获取建议框(region proposal) 将原始图片输入卷积神经网络之中，获取特征图 对每个建议框，从特征图中找到对应位置（按照比例映射），截取出特征框（深度保持不变） 将每个特征框划分为 HxW个网格（论文中是 7×7 ），在每个网格内进行最大池化（即每个网格内取最大值），这就是ROI池化。这样每个特征框就

深度学习 · 2023-03-22 · 482 人浏览
2023 - 2025 Axuanz的学习日记. All Rights Reserved.
Theme Jasmine by Kent Liao