对RCNN系列的解读与认识
针对RCNN的解读与认识
RCNN检测目标所遵循的简要步骤：
- 将图像作为输入；
- 使用一些proposals（如：选择性搜索方法）获得感兴趣区域（RoI）；
- 对所有这些区域调整尺寸，并将每个区域传递给卷积神经网络（迁移学习）；
- CNN为每个区域提取特征，二分类SVM用于将这些区域划分为不同的类别；
- 边界框回归（bbox reg）用于预测每个已识别区域的边界框。
RCNN模型局限性：
- 基于选择性搜索算法为每个图像提取2000个候选区域，耗时；
- 使用串行式CNN为每个图像区域提取特征，耗时；
- RCNN整个物体检测过程用到三种模型：
1）CNN模型用于特征提取；
2）线性SVM分类器用于识别目标的类别；
3）回归模型用于merge边界框。
三个模型是分别训练的，并且在训练的时候，对于存储空间的消耗很大。
针对Fast RCNN的解读与认识
Fast RCNN检测目标所遵循的简要步骤：
- 首先将图像作为输入；
- 将图像直接传递给卷积神经网络，生成感兴趣的区域（RoI）；
- 对所有这些区域上应用RoI Pooling，以调整每个区域的尺寸。然后，将每个区域传递给全连接层的网络（FC Layer）。
- 最后，使用softmax层输出类别；
- 以及并行使用线性回归层，用于预测每个已识别区域的边界框。
解决问题：
- 将每个图像中的1个而不是2000个区域传递给卷积神经网络，
- 并使用一个模型来实现提取特征、分类和生成边界框。
Fast RCNN模型局限性：
- 仍然使用选择性搜索作为查找感兴趣区域的提议方法，耗时。
针对Faster RCNN的解读与认识
Faster RCNN检测目标所遵循的简要步骤：
- 首先将图像作为输入；
- 将图像直接传递给卷积神经网络，生成该图像的特征图（feature map）；
- 在这些特征图上应用区域提议网络（RPN），预测proposals区域及其分数；
- 对所有这些区域上应用RoI Pooling，以调整每个区域的尺寸。
- 然后，将每个区域传递给全连接层的网络（FC Layer）。
- 最后，使用softmax层输出类别；
- 以及并行使用线性回归层，用于预测每个已识别区域的边界框。
解决问题：
- 用Region Proposal Network代替selective search，在生成RoI区域时，时间可大幅缩减。
Faster RCNN模型局限性：
- 该算法需要多次通过单个图像来提取到所有对象；
- 由于不是端到端的算法，不同的系统一个接一个地工作，整体系统的性能进一步取决于先前系统的表现效果。