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(wǎng)絡前半部分提取特征時，對每個候選區(qū)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(qū)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(qū)域轉(zhuǎn)變?yōu)榇笮〗y(tǒng)一的數(shù)據(jù)，送入下一層。

注意：特征提取網(wǎng)絡的參數(shù)訓練過程類似于RCNN網(wǎng)絡中的過程，即將網(wǎng)絡尾端加上1000類的分類層，用image-net數(shù)據(jù)集訓練，然后凍結(jié)網(wǎng)絡前半部分參數(shù)作為特征提取網(wǎng)絡的參數(shù)。

2.并行進行classification和bonnd box regression

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

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

轉(zhuǎn)載于:https://www.cnblogs.com/yeran/p/10887241.html

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。