rprt.net
当前位置:首页 >> FAstEr rCnn >>

FAstEr rCnn

fast-rcnn:rcnn的加速版本,在我看来,这不仅仅是一个加速版本,其优点还包括:(a) 首先,它提供了在caffe的框架下,如何定义自己的层/参数/结构的范例(2) training and testing end-to-end 这一点很重要,为了达到这一点其定义了roipooling层,因为有了这个,使得训练效果提升不少.(3) 速度上的提升,因为有了fast-rcnn,这种基于cnn的 real-time 的目标检测方法看到了希望,在工程上的实践也有了可能,后续也出现了诸如faster-rcnn/yolo等相关工作.

Faster Rcnn是RCNN三部曲中的最后一个版本,当然也是越来越快,但还达不到实时的效果.不过近两年针对实时性和效果都有所突破,可以去了解一下SSD/DSSD、YOLO/YOLOv2算法,这些算法的速度都是Faster RCNN的10+倍,效果也不差.

caffe刚出来的时候我就一直再用了,前后大概用了rcnn,fast-rcnn, 目前在等待faster-rcnn的代码release! 回答下你的问题,目前我已经基于fast-rcnn实现了caltech行人检测数据库与kitti数据库的车辆与行人检测,总的来说效果非常不错,在训练速度.

Faster RCNN用了整合了之前的RCNN啊,SPP-net啊,Fast RCNN啊这些网络的region proposal方式,提出了RPN,所谓RPN就是根据图像自身的色彩以及边缘信息等等来生成region proposal的一个网络,因此实现了end-to-end,但还是慢

Fast-RCNN:RCNN的加速版本,在我看来,这不仅仅是一个加速版本,其优点还包括:(a) 首先,它提供了在caffe的框架下,如何定义自己的层/参数/结构的范例(2) training and testing end-to-end 这一点很重要,为了达到这一点其定义了ROIPooling层,因为有了这个,使得训练效果提升不少.(3) 速度上的提升,因为有了Fast-RCNN,这种基于CNN的 real-time 的目标检测方法看到了希望,在工程上的实践也有了可能,后续也出现了诸如Faster-RCNN/YOLO等相关工作.

初始化参数:args = parse_args() 采用的是Python的argparse 主要有net_name,gpu,cfg等(在cfg中只是修改了几个参数,其他大部分参数在congig.py中,涉及到训练整个网络).cfg_from_file(args.cfg_file) 这里便是代用config中的函数cfg

Faster RCNN用了整合了之前的RCNN啊,SPP-net啊,Fast RCNN啊这些网络的region proposal方式,提出了RPN,所谓RPN就是根据图像自身的色彩以及边缘信息等等来生成region proposal的一个网络,因此实现了end-to-end,但还是慢

RCNN:RCNN可以看作是RegionProposal+CNN这一框架copy的开山之作,基本上所有top的方法都是这个框架,可见其影响百之大. RCNN的主要缺点是重度复计算,后来MSRA的kaiming组的SPPNET做了相应的加速.

caffe刚出来的时候我就一直再用了,前后大概用了rcnn,fast-rcnn, 目前在等待faster-rcnn的代码release! 回答下你的问题,目前我已经基于fast-rcnn实现了caltech行人检测数据库与kitti数据库的车辆与行人检测,总的来说效果非常不错,在训练速度.

但是由于运行selectivesearch实在是太慢啦,希望用更快的方法."直接上YOLO呗可以参考我的博文: 物体检测-从RCNN到YOLO参考列表中"You Only Look Once "一项,包括YOLO的论文、视频、源码、使用方式.

网站首页 | 网站地图
All rights reserved Powered by www.rprt.net
copyright ©right 2010-2021。
内容来自网络,如有侵犯请联系客服。zhit325@qq.com