1. 区域卷积神经网络R-CNN系列

1.1 R-CNN

• 模型结构
  • 按分类问题对待
    • 模块一：提取物体区域（Region proposal），不同位置、不同尺寸、数量很多·；
    • 模块二：对区域进行分类识别（Classification），CNN分类器，计算量大；
      
      
      
      
      
      
      
      
      
      

1.2 SPP-NET

• R-CNN速度慢的原因之一
  • 卷积特征重复计算量太大，每张图片的~2000区域都会计算CNN特征；
• 两大改进
  • 直接输入整图，所有区域共享卷积计算；
  • 引入空间金字塔池化；
    
    
    
    
    
• SPP-Net问题
  • 继承了R-CNN的剩余问题
    • 需要存储大量特征；
    • 复杂的多阶段训练；
    • 训练时间长
  • 带来了新问题
    • SPP层之前的所有卷积层参数不能FineTune；

1.3 Fast/faster R-CNN

• 改进
  • 比R-CNN，SPP-Net更快的training/test；
  • 更高的mAP；
  • 实现end-to-end单阶段训练；
  • 所有层的参数都可以fine tune；
  • 不需要离线存储特征文件；
• 在SPPNet基础上引入两个新技术
  • 感兴趣区域池化层；
  • 多任务损失函数；