部分代碼與訓練數據

R-CNN
(Cafffe + MATLAB): https://github.com/rbgirshick/rcnn (非常慢，看看就好)
Fast R-CNN
(Caffe + MATLAB): https://github.com/rbgirshick/fast-rcnn (非端到端)
Faster R-CNN
(Caffe + MATLAB): https://github.com/ShaoqingRen/faster_rcnn
(Caffe + Python): https://github.com/rbgirshick/py-faster-rcnn
SSD
(Caffe + Python)https://github.com/weiliu89/caffe/tree/ssd
R-FCN
(Caffe + Matlab) https://github.com/daijifeng001/R-FCN
(Caffe + Python) https://github.com/Orpine/py-R-FCN

?

?

rcnn:看作分類問題，算法的組合：候選框+卷積提取特征+svm分類

候選框是借用外來的方案，深度學習只是用來提取特征，分類是svm算法，所以不是端到端的方案

1：邊緣策略，先根據圖像像素之間的關系聚類得到很多的候選框，這部分有很多的方案，比如：selectivesearch

2：根據得到的候選框，分別在每一個候選框上面進行卷積運算

3：把每個候選框得到的卷積運算再分類即可

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

fast-rcnn

針對R-CNN的改進：共享圖窗計算，從而加速
1：不是在每個候選框上面進行了卷積運算，而是在統一的進行卷積運算，加快了速度

2：分類不是svm了，而是使用全連接了，先FC然后softmax分類了

3：整個過程是端到端的，不再是組合的算法

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

faster-rcnn

Region Proposal(候選圖窗)一定要另外獨立做嗎？一起用RPN做完得了！
改進：候選框不再是另外的方案，而是使用了RPN

所以包含了4個損失函數

關于RPN：Region Proposal Network

?

轉載于:https://www.cnblogs.com/koocn/p/7762396.html

總結

以上是生活随笔為你收集整理的11月深度学习班第5课图像物体检测：rcnn/fast-rcnn/faster-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。