RCNN,FAST RCNN,FasterRCNN区别及发展史

两阶段算法总体特征：即先进行感兴趣区域RoI的生成，然后再把生成的区域分类：相比起其他一阶网络，两阶更为精准，尤其是针对高精度、多尺度以及小物体问题上，两阶网络优势更为明显。

1.基本的RCNN算法：
以Selective Search为代表，将图像进行分割，并将分割后的图像进行输出，归一化为相同的大小。
对输出的相同大小图像，约2000张，经cnn网络输出特征。
再对输出特征进行多任务处理，包含SVM二分类及对于边框的回归工作。并采用难样本挖掘来平衡正负样本的不平衡

2.实现端到端的Faster RCNN:
算法基于VGG16网络.
共享卷积:整幅图送入卷积网络，而不是先区域分割再逐一送入卷积网络。
RoI Pooling：使用特征池化，可以接受任意大小的图片输入。

ROI pooling具体操作如下：
根据输入image，将ROI映射到feature map对应位置；
将映射后的区域划分为相同大小的sections（sections数量与输出的维度相同）；
对每个sections进行max pooling操作；

多任务损失：将分类与回归网络放到一起训练，并且为了避免SVM分类器带来的单独训练与速度慢的缺点，使用了Softmax函数进行分类。

3.Faster RCNN
提出了Region Proposal Network
利用Anchor机制将区域生成与卷积网络联系到一起：
将先验的Anchor与物体GT进行训练，调整Anchor的位置，大大降低了网络收敛难度。

步骤：
1.输入图像首先经过Backbone得到特征图。
2.Anchor生成：RPN对feature map上的每一个点都对应了9个Anchors，这9个Anchors大小宽高不同，对应到原图基本可以覆盖所有可能出现的物体
3.将预先生成的特征图上的anchor再次卷积得出是前景的概率，及回归的位置坐标，与标签对比计算loss进行计算。
特征图上每点预测9个Anchor：2X9及4X9

4.进一步选取一组较好的anchor,作为ROI（region of interest），经过ROI pooling操作，送入全连接网络，进行分类预测。

全流程图：

最后的RCNN全连接网络：（默认预测21类）

其损失函数包含分类损失及回归损失两部分：
其中分类损失使用交叉熵，回归损失使用特殊的smooth函数，总损失表示为：

最后

以上就是英俊铃铛为你收集整理的RCNN,FAST RCNN,FasterRCNN区别及发展史的全部内容，希望文章能够帮你解决RCNN,FAST RCNN,FasterRCNN区别及发展史所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。