**

R-CNN算法優化策略

**
1，兩階段檢測的進階模型

首先進行數據處理，然后輸入backbone得到特征圖，然后進入RPN中提取候選區域roi，然后再ROI Align提取特爭，然后送入BBox Head進行進一步的回歸和分類。
主要介紹方面


第一步主要解決多尺度問題，預測物體大小
第二部算是fastRNN的局部表示圖主要用最后一層對下一步進行輸入。
第三步卷積神經網絡存在下采樣，在不同深度存在不同特征，
第四步fpn將不同層的特征相互融合，將特征展現得更加全面。

骨干網絡和fpn相對獨立，然后我們以resnet的骨干網絡為例，藍色部分resnet網絡結構輸出層從淺至深命名為c2–c5然后每層經過一個1*1的卷積然后在進行上采樣，然后和上一層的卷積相加，然后每一層的特征相互融合。

第一個變化就是anchor，在fastRCNN是在一張特征圖里產生的，但是現在fpn會生成多張特征圖，并且尺寸還不一樣，這時我們可以將面積不同的anchor分配到不同的類別中。

多個特征圖用多個head來去預測不同尺度上的預選框。

大的ROI放進深的層次去學習，小的ROI放進淺的ROI學習
總結：

總結

以上是生活随笔為你收集整理的R-CNN算法优化策略的全部內容，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。