CNN檢測摘要

標籤：

近一兩年cnn在檢測這塊的發展突飛猛進，下面詳細review下整個cnn檢測領域模型的發展，以及在時間效能上的發展。

一、RCNN流程：

Extract region(off model) + extract features(on model) + classifyregions according feature (svm or softmax)

效能：

精度：

 

二、SPP-NET流程：

先做conv，再根據window提取特徵。為什麼rcnn不能也這麼做呢？原因在於spp對不同尺度進行了max pool處理能更好的滿足不同尺度window的特徵表達。

效能：

核心思想在全圖只做一次conv，這個和overfeat的思想一致

 

精度：

三、FAST-RCNN流程：

引入了ROI層pooling，以及multi-task同時訓練分類和檢測框。

效能：

Compared to SPPnet, Fast R-CNN trains VGG163× faster, tests 10× faster, and is more accurate.

另外還額外提出了fc層SVD的思想

Vgg時間效能分析

 

精度：

The improvement of Fast R-CNN over SPPnetillustrates that even though Fast R-CNN uses single-scale training and testing,fine-tuning the conv layers provides a large improvement in mAP (from 63.1% to66.9%). Traditional R-CNN achieves a mAP of 66.0%. These results arepragmatically valuable given how much faster and easier Fast R-CNN is to trainand test, which we discuss next.

 

 

 

 

四、FASTER-RCNN流程：

在fast-rcnn的基礎上，借鑒了FCN的思路，將proposal階段轉化成一個layer加進了網路一起學習。

效能：

cost-free for proposal

精度：

our detection system has a frame rate of5fps (including all steps) on a GPU, while achieving state-of-the-art objectdetection accuracy on PASCAL VOC 2007 (73.2% mAP) and 2012 (70.4% mAP) using300 proposals per image

 

 

 

著作權聲明：本文為博主原創文章，未經博主允許不得轉載。

CNN檢測摘要