github博客傳送門
csdn博客傳送門

==RCNN==

1、生成候選區域

使用Selective Search（選擇性搜索）方法對一張圖像生成約2000-3000個候選區域，基本思路如下：
（1）使用一種過分割手段，將圖像分割成小區域
（2）查看現有小區域，合并可能性最高的兩個區域，重復直到整張圖像合并成一個區域位置。優先合并以下區域：

• 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
  在合并時須保證合并操作的尺度較為均勻，避免一個大區域陸續“吃掉”其它小區域，保證合并后形狀規則。
  （3）輸出所有曾經存在過的區域，即所謂候選區域

2、特征提取

使用深度網絡提取特征之前，首先把候選區域歸一化成同一尺寸227×227。
使用CNN模型進行訓練，例如AlexNet，一般會略作簡化。

3、類別判斷

對每一類目標，使用一個線性SVM二類分類器進行判別。
輸入為深度網絡（如上圖的AlexNet）輸出的4096維特征，輸出是否屬于此類。

4、位置精修

目標檢測的衡量標準是重疊面積：許多看似準確的檢測結果，往往因為候選框不夠準確，
重疊面積很小，故需要一個位置精修步驟，對于每一個類，訓練一個線性回歸模型去判定這個框是否框得完美。

==Fast R-CNN==

Fast R-CNN主要解決R-CNN的以下問題：

1、訓練、測試時速度慢

R-CNN的一張圖像內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絡，緊接著送入從這幅圖像上提取出的候選區域。
這些候選區域的前幾層特征不需要再重復計算。

2、訓練所需空間大

R-CNN中獨立的分類器和回歸器需要大量特征作為訓練樣本。Fast R-CNN把類別判斷和位置精調統一用深度網絡實現，不再需要額外存儲。

下面進行詳細介紹

在特征提取階段，通過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，在原始圖片上執行這些操作后，輸入圖片尺寸不同將會導致得到的feature map（特征圖）尺寸也不同，這樣就不能直接接到一個全連接層進行分類。
在Fast R-CNN中，作者提出了一個叫做ROI Pooling的網絡層，這個網絡層可以把不同大小的輸入映射到一個固定尺度的特征向量。
ROI Pooling層將每個候選區域均勻分成M×N塊，對每塊進行max pooling。將特征圖上大小不一的候選區域轉變為大小統一的數據，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，
但是可以加入這個神奇的ROI Pooling層，對每個region都提取一個固定維度的特征表示，就可再通過正常的softmax進行類型識別。

在分類回歸階段，在R-CNN中，先生成候選框，然后再通過CNN提取特征，之后再用SVM分類，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也放進了神經網絡內部，與區域分類合并成為了一個multi-task模型
實驗表明，這兩個任務能夠共享卷積特征，并且相互促進。
Fast R-CNN很重要的一個貢獻是成功地讓人們看到了Region Proposal+CNN（候選區域+卷積神經網絡）這一框架實時檢測的希望，原來多類檢測真的可以在保證準確率的同時提升處理速度。

==Faster R-CNN==

在Faster R-CNN中加入一個提取邊緣的神經網絡，也就說找候選框的工作也交給神經網絡來做了。
這樣，目標檢測的四個基本步驟（候選區域生成，特征提取，分類，位置精修）終于被統一到一個深度網絡框架之內。

Faster R-CNN可以簡單地看成是“區域生成網絡+Fast R-CNN”的模型，用區域生成網絡（Region Proposal Network，簡稱RPN）來代替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）上滑動窗口
• 建一個神經網絡用于物體分類+框位置的回歸
• 滑動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==

R-CNN、Fast R-CNN、Faster R-CNN一路走來，基于深度學習目標檢測的流程變得越來越精簡、精度越來越高、速度也越來越快。
基于region proposal（候選區域）的R-CNN系列目標檢測方法是目標檢測技術領域中的最主要分支之一。

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

轉載于:https://www.cnblogs.com/Mrzhang3389/p/10228451.html

總結

以上是生活随笔為你收集整理的R-CNN , Fast R-CNN , Faster R-CNN原理及区别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。