?首先放R-CNN的原理圖

顯然R-CNN的整過過程大致上劃分為四步：

　　1.輸入圖片

　　2.生成候選窗口

　　3.對局部窗口進行特征提取（CNN）

　　4.分類（Classify regions）

而R-CNN的缺陷就在于對每個候選窗口都要進行特征提取，造成了計算時間成本很大。

再放Fast R-CNN的原理圖

Fast R-CNN的提高速度的關鍵就在于將proposal的region映射到CNN的最后一層conv layer的feature map上，意味著一張圖片只需要進行一次特征提取。

而既然R-CNN系列已經(jīng)發(fā)展到了Faster，所以我選擇直接用Faster R-CNN，而且Faster可以直接做到實時檢測目標（速度能達到在視頻中實時檢測目標）。

且Faster R-CNN的最大改變就是不使用selective search，而是通過所謂的Region ProposalNetwork（RPN），即通過卷積神經(jīng)網(wǎng)絡直接產(chǎn)生region proposal

?RPN的作用就是：

(1) 輸出proposal的位置(坐標)和score?

(2) 將不同scale和ratio的proposal映射為低維的feature vector?
(3) 輸出是否是前景的classification和進行位置的regression

轉(zhuǎn)載于:https://www.cnblogs.com/Mu001999/p/6286731.html

總結(jié)

以上是生活随笔為你收集整理的理解Faster R-CNN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。