fast-rcnn主要有如下改變：

1.引入ROI-pooling層

2.并行進行classification和bonnd box regression

下面詳細介紹

1.引入ROI-pooling層

R-CNN 在網絡前半部分提取特征時，對每個候選區域都進行了特征提取，導致大量重復計算，速度極低。

在fast-rcnn中提出roi-pooling層，有效解決這一問題。

roi_pool層將每個候選區域均勻分成M×N塊，對每塊進行max pooling。將特征圖上大小不一的候選區域轉變為大小統一的數據，送入下一層。

注意：特征提取網絡的參數訓練過程類似于RCNN網絡中的過程，即將網絡尾端加上1000類的分類層，用image-net數據集訓練，然后凍結網絡前半部分參數作為特征提取網絡的參數。

2.并行進行classification和bonnd box regression

特征提取網絡得到的feature-map送入兩個并行的網絡進行classification和bonnd box regression。

cls_score層用于分類，輸出K+1維數組p，表示屬于K類和背景的概率。
bbox_prdict層用于調整候選區域位置，輸出4*K維數組t，表示分別屬于K類時，應該平移縮放的參數。

轉載于:https://www.cnblogs.com/yeran/p/10887241.html

總結

以上是生活随笔為你收集整理的论文阅读笔记03-fast-rcnn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。