??R-CNN、Fast R-CNN、Faster R-CNN算法都是基于Region Proposal(候選區域)的深度學習目標檢測算法，是2-stage兩階段檢測模型。
??Region Proposal就是預先找出圖中目標可能出現的位置，通過利用圖像中的紋理、邊緣、顏色等信息，保證在選取較少窗口(幾千個甚至幾百個)的情況下保持較高的召回率(IoU)。
??邊框回歸(Bouding Box Regression)：對RegionProposal進行糾正的線性回歸算法，目的是為了讓Region Proposal提取到的窗口與目標窗口(Ground Truth)更加吻合。

??從R-CNN到Fast R-CNN，再到Faster R-CNN，目標檢測的四個基本步驟（候選區域生成、特征提取、目標分類、邊框回歸）終于被統一到一個深度網絡框架之內。

• R-CNN(Region-based Convolutional Neural Networks)
  步驟：1. SS提取RP;
  ???2. CNN提取特征；
  ???3. SVM分類；
  ???4. BB盒回歸。
  優點：1. 從DPM HSC的34.3%直接提升到了66%(mAP)；
  ???2. 引入RP+CNN。
  缺點：1. 訓練步驟繁瑣(微調網絡+訓練SVM+訓練bbox)；
  ???2. 訓練、測試均速度慢；
  ???3. 訓練占空間。
  
• Fast R-CNN (Fast Region-based Convolutional Neural Networks)
  步驟：1. SS提取RP；
  ???2. CNN提取特征；
  ???3. softmax分類；
  ???4. 多任務損失函數邊框回歸。
  優點：1. 由66.9%提升到70%；
  ???2. 每張圖像耗時約為3s。
  缺點：1. 依舊用SS提取RP(耗時2-3s，特征提取耗時0.32s)；
  ???2. 無法滿足實時應用，沒有真正實現端到端訓練測試；
  ???3. 利用了GPU，但是候選區域提取方法是在CPU上實現的。
  
• Faster R-CNN (Fast Region-based Convolutional Neural Networks)
  步驟：1. RPN提取RP；
  ???2. CNN提取特征；
  ???3. softmax分類；
  ???4. 多任務損失函數邊框回歸。
  優點：1. 提高了檢測精度和速度；
  ???2. 真正實現端到端的目標檢測框架；
  ???3. 生成建議框僅需約10ms。
  缺點：1. 還是無法達到實時檢測目標；
  ???2. 獲取region proposal，再對每個proposal分類計算量還是比較大。
  

總結

以上是生活随笔為你收集整理的R-CNN、Fast R-CNN、Faster R-CNN算法对比的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。