（论文阅读11/100）Fast R-CNN
| 文献阅读笔记 | ||
| 简介 | 题目 | Fast R-CNN |
| 作者 | Ross Girshick | |
| 原文链接 | https://arxiv.org/pdf/1504.08083.pdf 目标检测系列——开山之作RCNN原理详解-CSDN博客 Fast R-CNN讲解_fast rcnn-CSDN博客 Rcnn、FastRcnn、FasterRcnn理论合集_rcnn fastrcnn fasterrcnn_沫念·的博客-CSDN博客 | |
| 关键词 | NUll | |
| 研究问题 | 目标检测任务背景：首先确定大量候选对象位置；其次对候选对象细化以确定目标位置。这些问题的解决往往折中了速度、精度或者简单性。 之前的方法： RCNN提取2000个候选框冗余工作太多。 SPP算法也有缺点：仅使用log损失函数微调无法更新空间金字塔池化前的卷积层，限制了非常深的网络的准确性。 | |
| 研究方法 | Fast R - CNN：用全连接层分类。 ROI pooling：感兴趣区域池化。使用最大池化将任何有效感兴趣区域内的特征转换为具有固定空间范围H × W (例如, 7 × 7)的小特征映射，其中H和W是独立于任何特定RoI的层超参数。每个RoI由一个四元组特征(r,c,h,w)定义，该(r,c,h,w)指定其左上角(r,c)及其高度和宽度(h,w)。是SSp的特例，其中只有一个金字塔层。 从预训练的网络中初始化：将最后一个最大池化层替换为RoI池化层，通过设置H和W与网络的第一个全连接层(例如,对于VGG16 , H = W = 7)兼容来配置RoI池化层。其次，将网络的最后一个全连接层和softmax (分别训练用于1000 - way ImageNet分类)替换为前面描述的两个兄弟层( K + 1个类别上的全连接层和softmax以及类别特定的边界框回归)。第三，修改网络以获取两个数据输入：图像列表和这些图像中的RoIs列表。 Multi-task loss. Mini-batch sampling. | |
| 研究结论 | 1.比R - CNN、SPPnet拥有更高的检测质量 2.训练是单阶段的，使用多任务损失3.训练可以更新所有的网络层4.特征缓存不需要磁盘存储 | |
| 创新不足 | 候选区域的选择仍然不是很高效 | |
| 额外知识 | RCNN网络 | |