Devuelve el directorio de la historia de la detección de objetos
Anterior: artículos de fondo - Historia de detección de objetivo (a) con respecto a la detección de blancos clásica
Siguiente: artículos de fondo - Historia detección de blancos (c) elabore SPP-Net detección de blancos
论文地址: "jerarquías rico en características para la detección de objetos precisa y segmentación semántica"
En esta sección, elaborada detección de blancos R-CNN, la próxima detección de objetivos sección elaborar SPP-Net
Dos. Detección R-CNN objetivo (2013)
1. R-CNN (basado en la Región convolucional Neural Networks, R-CNN) basado en región de red neural convolucional, una región nominado (Región de texto) y un método convolucional red neural (CNN) para detectar una unión a la diana. R-CNN es Ross Girshick lanzado en 2013. Ross Girshick como pedigrí en esta área, existe siempre el mismo Dios, R-CNN, Fast R-CNN, más rápido R-CNN, YOLO todo sobre él. De hecho, antes de I-CNN tiene una gran cantidad de investigadores en el proceso de tratar de hacer con Deep aprendizaje de detección de objetivos, incluyendo OverFeast, pero R-CNN es la primera solución verdaderamente aplicaciones industriales.
2. La profundidad de los objetivos de aprendizaje relacionados con los métodos de detección mirada más o menos dividido en dos facciones:
(1) Basándose en la zona de nominación
如 R-CNN, SPP-Net, Fast R-CNN, Faster R-CNN, R-FCN
(2) extremo (extremo a extremo)
No hay necesidad de nominar áreas, tales como SSD, Yolo, CornerNet etc.
3. pasos principales R-CNN
(1). Propuesta Región a la zona de nominar
La extracción de un cajas de contorno alrededor de 2k candidatos región marco de la imagen original de la búsqueda selectiva
(2) el tamaño normalización región
Cuadros delimitadores toda la imagen de la trama candidato a escala para un tamaño fijo de (utilizando el original 227 x 227).
(3) extracción de características
Por la red CNN, extrayendo una característica
(4) de clasificación y regresión
El que se añade la capa de base en dos capas totalmente conectadas, y luego hacer la identificación de clasificación SVM, por regresión lineal para recortar la ubicación y el tamaño del borde, en el que cada clase de entrenamiento por separado un borde clasificador.
diagrama de flujo 4. R-CNN
Otros ángulos de observación son los siguientes:
Figura encima regiones imagen distorsionada, una información del tamaño normalización región cuadro delimitador boxe, o por cultivo Warp, todo el procesamiento del mismo tamaño. Esto ha dado lugar a algunas de las imágenes será tracción deformación, lo que distorsiona la imagen.
Además, es separado operación de convolución de la imagen después de cada uno del tamaño de la normalización, debido a los cuadros delimitadores probablemente alrededor del 2k, y que no es probable que se superponen, lo que resulta en el proceso de extracción de características, habrá muchos repiten, y los recursos recursos y el espacio muy laboriosas.
Además, SVM limitado para los datos de procesamiento, si la masa de datos, que fácilmente puede exceder las capacidades de SVM. El cálculo es demasiado grande, el modelo es demasiado grande, la eficiencia es muy baja.
5. diferencia R-CNN con la detección de blancos clásica, característica de convolución extracción excepto CNN, proceso de extracción alternativa HOG dispone + bag-de-palabras y otras características. Estos cambios, de modo que la CNN R-datos de detección de ILSVRC2013, obtenido 31,4% mapa tales resultados buenos. En relación con los mejores resultados anteriores de los que el 24,3% mapa ha sido una gran mejora. Y, por primera vez, para atraer la atención, la CNN extrae características de la imagen con la capacidad extraordinaria. A partir de entonces, el procesamiento de imágenes, la CNN básica utilizada para extraer características.
Aunque R-CNN los posteriores, tales como insuficiente. Sin embargo, en ese momento, pero es un detector bueno, el efecto es muy bien
6. desventajas R-CNN
(1) Repetir el cálculo
R-CNN aunque no exhaustiva, pero todavía hay cajas de límite alrededor de la 2k, estos cuadros delimitadores tienen que ser el funcionamiento de la CNN, la cantidad de cálculos es todavía grande, muchos de los cuales son en realidad una doble contabilidad
(2). Modelo SVM
Hay modelos lineales, cuando la etiqueta hay escasez de datos no es, obviamente, la mejor opción.
(3) La formación se divide en la prueba de múltiples pasos
propuesta de región, extracción de características, clasificación, proceso de formación de regresión se apaga, los datos intermedia también tiene que ser salvado por separado. La formación se divide en varias etapas, no engorroso. SVM + Red + entrenamiento para afinar regresor frontera de formación
(4). El alto costo del espacio y el tiempo de formación
En donde la primera convolución procesamiento en el disco duro, de ellos necesitan espacio de almacenamiento de varios cientos de G. Guardar y necesidades del proceso de lectura que consumen tiempo y recursos.
(5) Lento
La desventaja de lo anterior, lo que resulta en R-CNN sorprendentemente lenta, un procesamiento de imagen necesita 13s en una GPU, 53s requiere en la CPU.
(6) la normalización Regional de tamaño, se dirigirá a la cosecha o de urdimbre no escalado, resultando en la normalización de tamaño para obtener los meta deforma o faltan piezas de información, y el verdadero objetivo de un cierto hueco, que formará en la espalda y cuando se prueba, lo que lleva a su tasa de precisión.
Devuelve el directorio de la historia de la detección de objetos
Anterior: artículos de fondo - Historia de detección de objetivo (a) con respecto a la detección de blancos clásica
Siguiente: artículos de fondo - Historia detección de blancos (c) elabore SPP-Net detección de blancos
