Faster R-CNN---学习笔记

RCNN算法分为4个步骤：
1. 一张图像生成1K~2K个候选区域（采用SS方法）
2. 对每个候选区域，使用深度网络提取特征（所以一张图像需要经过1k-2k次神经网络）
3. 特征送入每一类的SVM 分类器，判别是否属于该类
4. 使用回归器精细修正候选框位置
回归器：对每一类目标，使用一个线性脊回归器进行精修。正则项λ=10000。输入为深度网络pool5层的4096维特征，输出为xy方向的缩放和平移。
Faster RCNN可以简单地看做“区域生成网络+fast RCNN“的系统，用区域生成网络代替fast RCNN中的Selective Search方法。
1. 用深度网络计算推荐框。
2. 统一RPN和Fast R-CNN目标检测网络的方法：
  1. 保持推荐框固定，微调区域推荐和微调目标检测之间交替进行。
  2. RPN和Fast R-CNN目标检测网络共享一系列卷积层。
  3. 通过交替优化来学习共享的特征
多尺度特征提取可能提高准确率但是不利于速度与准确率之间的权衡

相关阅读:
目标检测算法——YOLOv5结合轻量化网络MobileNetV3
SRS WebRTC Whip 和 Whep 部署体验问题
【C++入门到精通】C++入门 —— 红黑树（自平衡二叉搜索树）
Envoy代理GRPC服务支持通过restful进行访问
数字政府建设要补上“+互联网”这一环
Linux commands: du and the options you should be using
oracle数据库赋权
中缀表达式转后缀表达式并计算结果
SpringBoot集成自然语言处理hanlp工具包
Docker学习笔记

原文地址：https://blog.csdn.net/weixin_45647721/article/details/126439934