Faster R-CNN
es una arquitectura de red neuronal profunda para la detección de objetos. Es una red de aprendizaje multitarea que aprende simultáneamente la detección de objetos y la extracción de características en una sola red neuronal.
La arquitectura de red de Faster R-CNN consta de tres partes:
1. Extractor de características
El extractor de características se utiliza para extraer características de la imagen de entrada, que puede ser una red neuronal convolucional previamente entrenada (como VGG, ResNet, etc.) o una red neuronal personalizada.
2. Region Proposal Network (RPN)
RPN es una red de generación de propuestas que toma mapas de características y genera propuestas rectangulares de objetos dentro de él.
3. Clasificador.
Un clasificador utiliza estas características propuestas para predecir la clase del objeto.
La arquitectura de red de Faster R-CNN consta de dos partes principales: una red neuronal convolucional (Cnn) como extractor de características y una red de propuesta de región (Rpn) para generar regiones de objetos candidatos. Utiliza una capa convolucional compartida para extraer características de la imagen y una ventana deslizante simple para buscar regiones.
El entrenamiento de redes neuronales es indispensable:
el proceso de entrenamiento de Faster R-CNN es: primero, use el extractor de características de la imagen de entrenamiento para generar un mapa de características.
Luego, RPN se usa para generar propuestas de objetos a partir de los mapas de características.
A continuación, el clasificador predice la clase del objeto. Para cada predicción, el rendimiento del modelo se evalúa mediante un algoritmo de aprendizaje supervisado (como la pérdida de entropía cruzada) y los parámetros del modelo se actualizan mediante el algoritmo de propagación hacia atrás. Después de entrenar el modelo, se puede utilizar en imágenes de prueba para la detección de objetos.
Prueba:
El proceso de prueba es similar al proceso de entrenamiento, excepto que se elimina la parte de entrenamiento. Faster R-CNN puede manejar bien tareas de detección de objetivos de múltiples categorías y múltiples objetivos, y tiene una alta eficiencia al procesar imágenes de alta resolución.