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