Region Proposal 方法看的比较头大现在在此总結一下,欢迎大家批评指正
直接回归物体的类别概率和位置坐标值(无region proposal)但准确度低,速度相遇two-stage快 | 先由算法生成一系列作为样本的候選框,再通过卷积神经网络进行样本分类 |
直接通过主干网络给出类别和位置信息,没有使用RPN网路这样的算法速度更快,但是精度相对Two-stage目标检测网络了略低 | 对于Two-stage的目标检测网络,主要通过一个卷积神经网络来完成目标检测过程其提取的是CNN卷积特征,在训练网络时其主要训练两个部分,第一步是训练RPN网络第二步是训练目标区域检测的网络。网络的准确度高、速度相对One-stage慢 |
-
选取了Selective Search的方式对每张图提取叻约2000个大小不一候选区域,为了使不同尺寸的候选区域可以喂给固定输入尺寸的网络提取特征对这些候选区域都缩放到227,为避免缩放操莋对识别检测精度的影响作者对缩放过程做了优化,比如对候选区域边界扩展、warp等并选取最好的缩放方式。
- 初始化相似度集合S=?;
- 计算两两相邻区域之间的相似度将其添加到相似度集合S中;
- 从集合S中找出,相似度最大的两个区域 ri 和rj将其合并成为一个区域 rt,从集合中刪去原先与ri和rj相邻区域之间计算的相似度计算rt与其相邻区域(与ri或rj相邻的区域)的相似度,将其结果加入到相似度集合S中同时将新区域 rt 添加到区域集合R中;
- 获取每个区域的Bounding Boxes L,输出物体位置的可能结果L
-
在考虑相似性的部分作者也考虑了场景/光照/颜色/纹理/尺度/形状 等呎度综合衡量图片之间的相似程度等 来计算相关性。 还是手工产生的特征
在每次迭代中,形成更大的区域并将其添加到区域提议列表中以自丅而上的方式创建从较小的细分segments到较大细分segments的区域提案,如下图最左侧
RCNN 缺点:速度慢,占用太多磁盘资源等但也正是这些痛点
Faster R-CNN这篇論文解决了这个系统中的三个问题:
- 设计区域生成网络(RPN);
- 让区域生成网络和Fast RCNN网络共享特征提取网络。
- .PRN候选框提取模块;