摘要：
在 Faster R-CNN 中，检测器使用了多个全连接层进行预测。如果有 2000 个 ROI，那么成本非常高。 R-FCN 通过减少每个 ROI 所需的工作量实现加速。上面基于区域的特征图与 ROI 是独立的，可以在每个 ROI 之外单独计算。剩下的工作就比较简单了，因此 R-FCN 的速度比 阅读全文
摘要：
使用候选区域方法（region proposal method）创建目标检测的感兴趣区域（ROI）。在选择性搜索（selective search，SS）中，首先将每个像素作为一组。然后，计算每一组的纹理，并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域，首先对较小的组进行分组。继续合并 阅读全文
摘要：
１Ｘ１卷积层的作用： 1.实现跨通道的交互和信息整合.2.进行卷积核通道数的降维和升维.3.就是可以在保持feature map 尺寸不变（即不损失分辨率）的前提下大幅增加非线性特性，把网络做得很deep. 参考网址： https://www.zhihu.com/question/56024942 阅读全文
摘要：
１、应用场景及常用网络结构 目标检测：Ｒ－ＣＮＮ系列、ＹＯＬＯ系列、ＳＳＤ系列、ＲＦＣＮ 场景图像分割：ＦＣＮ、Ｕ－ＮＥＴ、Segnet 实例分割：ＭＡＳＫ－ＲＣＮＮ ２、平台 Ｔensorflow \Caffe\Pytorch 3、分析工具 ｐｙｔｈｏｎ及相应的依赖库 ｎｕｍｐｙ ｐａｎｄａｓ ｍ 阅读全文