[caffe]深度學(xué)習(xí)之CNN檢測object detection方法摘要介紹?

2015-08-17 17:44?3276人閱讀?評(píng)論(1)?收藏?舉報(bào)

一兩年cnn在檢測這塊的發(fā)展突飛猛進(jìn)，下面詳細(xì)review下整個(gè)cnn檢測領(lǐng)域模型的發(fā)展，以及在時(shí)間性能上的發(fā)展。

一、RCNN

流程：

Extract region(off model) + extract features(on model) + classifyregions according feature (svm or softmax)

性能：

精度：

?

二、SPP-NET

流程：

先做conv，再根據(jù)window提取特征。為什么rcnn不能也這么做呢？原因在于spp對(duì)不同尺度進(jìn)行了max pool處理能更好的滿足不同尺度window的特征表達(dá)。

性能：

核心思想在全圖只做一次conv，這個(gè)和overfeat的思想一致

?

精度：

三、FAST-RCNN

流程：

引入了ROI層pooling，以及multi-task同時(shí)訓(xùn)練分類和檢測框。

性能：

Compared to SPPnet, Fast R-CNN trains VGG163× faster, tests 10× faster, and is more accurate.

另外還額外提出了fc層SVD的思想

Vgg時(shí)間性能分析

?

精度：

The improvement of Fast R-CNN over SPPnetillustrates that even though Fast R-CNN uses single-scale training and testing,fine-tuning the conv layers provides a large improvement in mAP (from 63.1% to66.9%). Traditional R-CNN achieves a mAP of 66.0%. These results arepragmatically valuable given how much faster and easier Fast R-CNN is to trainand test, which we discuss next.

?

?

?

?

四、FASTER-RCNN

流程：

在fast-rcnn的基礎(chǔ)上，借鑒了FCN的思路，將proposal階段轉(zhuǎn)化成一個(gè)layer加進(jìn)了網(wǎng)絡(luò)一起學(xué)習(xí)。

性能：

cost-free for proposal

精度：

our detection system has a frame rate of5fps (including all steps) on a GPU, while achieving state-of-the-art objectdetection accuracy on PASCAL VOC 2007 (73.2% mAP) and 2012 (70.4% mAP) using300 proposals per image

from：?http://blog.csdn.net/sunbaigui/article/details/47728251

總結(jié)

以上是生活随笔為你收集整理的[caffe]深度学习之CNN检测object detection方法摘要介绍的全部內(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(cuò)，歡迎將生活随笔推薦給好友。