开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何在更快的RCNN中生成背景类？

更快的RCNN中生成背景类的方法是通过在训练过程中使用负样本挖掘技术来增加背景类的样本数量，从而提高模型的准确性和速度。

负样本挖掘是指从大量的负样本中选择出一部分具有误分类倾向的样本，将其加入到训练集中进行重新训练。在RCNN中，背景类是指与目标类别不匹配的区域，通常占据了图像中的大部分区域。为了更快地生成背景类，可以采用以下步骤：

数据准备：收集大量的负样本图像，这些图像应该包含各种背景场景和物体类别，以覆盖不同的背景情况。
初始训练：使用正样本和负样本进行初始训练，得到一个基础的RCNN模型。
负样本挖掘：使用基础模型对负样本进行预测，并选择预测概率较高的一部分样本作为候选负样本。
样本筛选：对候选负样本进行筛选，去除与正样本高度重叠的区域，以避免重复训练。
重新训练：将筛选后的候选负样本与正样本一起，作为扩充后的训练集，重新训练RCNN模型。

通过这种方式，可以增加背景类的样本数量，提高模型对背景类的识别能力，从而在更快的RCNN中生成背景类。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
腾讯云图像识别API（https://cloud.tencent.com/product/ai_image）
腾讯云视频智能分析（https://cloud.tencent.com/product/vca）
腾讯云自然语言处理（https://cloud.tencent.com/product/nlp）
腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云云数据库（https://cloud.tencent.com/product/cdb）
腾讯云云存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/tbaas）
腾讯云音视频处理（https://cloud.tencent.com/product/mps）

相关搜索:更快的RCNN锚点生成如何在更快的RCNN中消除误检测(误报)更快- tensorflow中的rcnn配置文件如何在更快的RCNN目标检测模型中比较训练和测试性能如何在使用更快的rcnn/ ssd模型的同时加快目标检测速度在更快的Rcnn盒子编码器中，比例因子的用途是什么？如何在大型数组中更快地生成随机点？更改类中的背景Tkinter 如何在IDEA中自动生成JAXB类？div类中的背景图像如何在项目目录中包含swagger生成的类如何在libGDX中的sprite类中插入背景图片？如何在不可变生成的类中禁用@Generated注解？如何在UITableViewCell中创建带圆角背景的数字(如电子邮件应用程序)？如何在Hybris中为WSDL文件生成Java类？如何在KotlinPoet中让方法返回生成类的类型？如何在Python中创建可重用的生成器类？如何在用户输入完表单后更改div的背景(如进度条)？在groupby对象中的列列表上生成滚动计算的更快方法需要sql来生成输出，如json数组中的预期结果所示

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Double FCOS: A Two-Stage Model UtilizingFCOS for Vehicle Detection in VariousRemote Sensing Scenes

在各种遥感场景中进行车辆检测是一项具有挑战性的任务。各种遥感场景与多场景、多质量、多尺度和多类别的图像混杂在一起。车辆检测模型存在候选框不足、正建议采样弱和分类性能差的问题，导致其应用于各种场景时检测性能下降。更糟糕的是，没有这样一个覆盖各种场景的数据集，用于车辆检测。本文提出了一种称为双完全卷积一阶段目标检测（FCOS）的车辆检测模型和一个称为多场景、多质量、多尺度和多类别车辆数据集（4MVD）的车辆数据集，用于各种遥感场景中的车辆检测。双FCOS是一种基于FCOS的两阶段检测模型。在RPN阶段利用FCOS生成各种场景中的候选框。精心设计了两阶段正样本和负样本模型，以增强正建议采样效果，特别是在FCOS中忽略的微小或弱车辆。在RCNN阶段设计了一个两步分类模型，包括建议分类分支和点分类分支，以提高各种类型车辆之间的分类性能。4MVD是从各种遥感场景中收集的，用于评估双FCOS的性能。4MVD上的双FCOS对五类车辆检测的平均准确率为78.3%。大量实验表明，双FCOS显著提高了各种遥感场景下的车辆检测性能。

03

目标检测领域笔记一：四种算法入门与优缺对比

RCNN-> SPP net -> Fast RCNN -> Faster RCNN

02

有图又怎样？我有文来斗：表情包文字识别解析

本文主要介绍了如何在社区中实现图片分类和情感识别，以及如何对图像进行特征提取和选择合适的模型来加速训练和识别过程。作者通过对比多种方案，包括使用传统的CNN和RNN模型，以及使用更先进的模型如VGG和ResNet，最终选择使用Dense CNN模型来实现图片分类和情感识别任务。同时，作者还分享了在训练过程中使用的一些技术和方法，包括数据扩增、模型选择和超参数调优等，以提升模型的性能和效率。

00

实例分割综述（单阶段/两阶段/实时分割算法汇总）

目标检测或定位是数字图像从粗到细的一个渐进过程。它不仅提供了图像对象的类，还提供了已分类图像中对象的位置。位置以边框或中心的形式给出。语义分割通过对输入图像中每个像素的标签进行预测，给出了较好的推理。每个像素都根据其所在的对象类进行标记。为了进一步发展，实例分割为属于同一类的对象的单独实例提供了不同的标签。因此，实例分割可以定义为同时解决目标检测问题和语义分割问题的技术。本文对实例分割的背景、存在的问题、技术、发展、流行的数据集、相关工作以及未来的发展进行了讨论。本文为想在实例分割领域进行研究的人们提供了有价值的信息。

01

实例分割综述（单阶段/两阶段/实时分割算法汇总）

目标检测或定位是数字图像从粗到细的一个渐进过程。它不仅提供了图像对象的类，还提供了已分类图像中对象的位置。位置以边框或中心的形式给出。语义分割通过对输入图像中每个像素的标签进行预测，给出了较好的推理。每个像素都根据其所在的对象类进行标记。为了进一步发展，实例分割为属于同一类的对象的单独实例提供了不同的标签。因此，实例分割可以定义为同时解决目标检测问题和语义分割问题的技术。本文对实例分割的背景、存在的问题、技术、发展、流行的数据集、相关工作以及未来的发展进行了讨论。本文为想在实例分割领域进行研究的人们提供了有价值的信息。

01

【个人整理】faster-RCNN的训练过程以及关键点总结

前言：faster-RCNN是区域卷积神经网络（RCNN系列）的第三篇文章，是为了解决select search方法找寻region proposal速度太慢的问题而提出来的，整个faster-RCNN的大致框架依然是沿袭了fast-RCNN的基本能结构，只不过在region proposal的产生上面应用了专门的技术手段——区域推荐网络（region proposal network，即RPN），这是整个faster最难以理解的地方，本文也将以他为重点进行说明。鉴于篇幅较长，本次系列文章将分为3篇来说明：

07

目标检测 RCNN, SPPNet, Fast RCNN, Faster RCNN 总结

RCNN CVPR 2014 Rich feature hierarchies for accurate object detection and semantic segmentation https://github.com/rbgirshick/rcnn

03

【干货】圣诞老人是否真实存在？训练Tensorflow的对象检测API能够告诉你答案

背景：最近我们看到了一篇文章，关于如何用于你自己的数据集，训练Tensorflow的对象检测API。这篇文章让我们对对象检测产生了关注，正巧圣诞节来临，我们打算用这种方法试着找到圣诞老人。文章地址：https://medium.com/towards-data-science/how-to-train-your-own-object-detector-with-tensorflows-object-detector-api-bec72ecfe1d9 代码在下面的地址中。从这段代码中生成的模型可以扩展，以发

08

端午节也不忘分享目标检测实战！

今天是中国传统节日——端午节！在此，祝大家节日快乐！关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式计算机视觉研究院专栏作者：Edison_G 最近总是有很多入门的朋友问我们，进入计算机视觉这个领域难不难？是不是要学习很多知识？到底哪个方向比较好？对于这些问题其实我们也不好回答他们，只能衷心告诉他们，如果你对这领域特别感兴趣，那你可以进来试试玩玩，如果试过了玩过了，觉得这不是你喜欢的领域，那你可以立马退出，选择你喜欢的

02

恺明大神 Mask R-CNN 超实用教程

翻　译 | 天字一号（郑州大学）、李美丽（华南师范大学）、had_in（电子科技大学）、nengdaiper（北京科技大学）

03

使用Mask-RCNN在实例分割应用中克服过拟合

代码：https://github.com/kayoyin/tiny-inst-segmentation

02

收藏 | 使用Mask-RCNN在实例分割应用中克服过拟合

代码：https://github.com/kayoyin/tiny-inst-segmentation

03

恺明大神 Mask R-CNN 超实用教程

翻　译 | 天字一号（郑州大学）、李美丽（华南师范大学）、had_in（电子科技大学）、nengdaiper（北京科技大学）

02

目标检测1: 目标检测20年综述之(一)

本文是目标检测方向的第一篇，目标检测是当前个人最熟悉的任务之一，这是很久之前在知乎专栏写的文章，曾经被多个公众号转载，但是因为一些客观原因，无意中注销了知乎。在分享目标检测相关的总结之前，先介绍一下目标检测任务很有必要，而了解一个任务最简单的方式就是通过综述，所以重新展示一下该篇。

02

使用Faster-Rcnn进行目标检测

本文介绍了一种用于目标检测的Faster R-CNN网络及其训练方法。该网络由Region Proposal Network（RPN）和Fast R-CNN两部分组成，旨在提高目标检测的速度和准确性。RPN用于生成候选区域，而Fast R-CNN则用于分类和边界框回归。通过交替训练和联合训练，该网络能够快速准确地检测出图像中的目标。

08

恺明大神 Mask R-CNN 超实用教程

翻　译 | 天字一号（郑州大学）、李美丽（华南师范大学）、had_in（电子科技大学）、nengdaiper（北京科技大学）

04

目标检测算法之NIPS 2016 R-FCN（来自微软何凯明团队）

R-FCN全称为Region-based Fully Convolutional Networks，是由微软的何凯明团队在NIPS 2016上提出来的，仍然是双阶段的目标检检测算法。论文地址和官方开源代码见文后。

02

ReliableStudent | 减轻噪声伪标签的半监督3D目标检测方法，超越 KITTI 3D目标检测在点云水平！

在深度学习近期发展的推动下，图像分类和目标检测领域已取得显著进展。大量数据集的可用性有助于加速这些进步。然而，为大规模数据集标注仍然是瓶颈，特别是对于2D和3D目标检测。半监督方法（SSA）已提出以解决此问题。与监督方法不同，这些方法仅需要有限数量的标注数据进行训练，其余数据未标注。

01

深度学习Pytorch检测实战 - Notes - 第4章两阶经典检测器：Faster RCNN

RCNN全称为Regions with CNN Features，是将深度学习应用到物体检测领域的经典之作，并凭借卷积网络出色的特征提取能力，大幅度提升了物体检测的效果。而随后基于RCNN的Fast RCNN及Faster RCNN将物体检测问题进一步优化，在实现方式、速度、精度上均有了大幅度提升。

00

学界 | 几张贴纸就让神经网络看不懂道路标志，伯克利为真实环境生成对抗样本

选自BAIR 机器之心编译参与：Panda 因为感知细节的能力和识别方式等方面的差异，在人类眼中看起来差别不大的东西在机器看来则可能具有非常不同的意义。近日，伯克利人工智能研究实验室（BAIR）在博客上介绍了他们在真实世界中的对抗攻击上的研究新成果，有望为自动驾驶等人工智能应用领域带来新的思考和见解。该研究的论文已经发布：https://arxiv.org/abs/1707.08945，研究者还表示进一步的研究也正在进行中。深度神经网络（DNN）已经在图像处理、文本分析和语音识别等各种应用领域取得了很

基于CNN目标检测方法（RCNN，Fast-RCNN，Faster-RCNN，Mask-RCNN，YOLO，SSD）行人检测

对于一张图片，R-CNN基于selective search方法大约生成2000个候选区域，然后每个候选区域被resize成固定大小（227×227）并送入一个CNN模型中，使用AlexNet来提取图像特征，最后得到一个4096维的特征向量。然后这个特征向量被送入一个多类别SVM分类器中，预测出候选区域中所含物体的属于每个类的概率值。每个类别训练一个SVM分类器，从特征向量中推断其属于该类别的概率大小。为了提升定位准确性，R-CNN最后又训练了一个边界框回归模型。训练样本为(P,G)，其中P=(Px,Py,Pw,Ph)为候选区域，而G=(Gx,Gy,Gw,Gh)为真实框的位置和大小。G的选择是与P的IoU最大的真实框，回归器的目标值定义为：

01

深度学习目标检测从入门到精通：第一篇

【导读】近日，CV-Tricks.com发布一篇文章，总结了近年来目标检测的各种方法。目标检测可谓是近年来计算机视觉领域热门的研究领域，也具有广阔的应用前景，如自动驾驶等。本文首先系统解释了图像分类和

07

深度学习经典网络解析：9.Fast R-CNN

2014年R-CNN横空出世，首次将卷积神经网络带入目标检测领域。受SPPnet启发，rbg在15年发表Fast R-CNN，它的构思精巧，流程更为紧凑，大幅提高目标检测速度。

03

基于密度图的航空物体检测：理论与代码实现

本文来谈一下基于深度学习的航空物体场景下的物体检测。航空物体这类场景一般由无人机空拍来收集数据，然后进行后处理来满足特定的任务场景，有些情况下要求实现实时反馈，甚至多任务。

02

通俗易懂的目标检测 | RCNN, SPPNet, Fast, Faster

本文主要讲一下深度网络时代，目标检测系列的RCNN这个分支，这个分支就是常说的two-step，候选框 + 深度学习分类的模式：RCNN->SPP->Fast RCNN->Faster RCNN

02

收藏 | 目标检测网络学习总结（RCNN --> YOLO V3），

之前总结了一下卷积网络在分类方面的一些网络演变，但是自己做的是语义SLAM，所以对于目标检测和语义分割甚至实例分割算法都要有所了解，毕竟以后要拿来用，不了解那根本没法用。这个也是结合深度学习大讲坛的课程和我自己的总结，个人觉得这个课程还是比较不错的，把整个算法脉络给我们讲清楚了，只要自己去梳理，也就能够比较快速的了解。自从2012年深度学习在ImageNet上面大放异彩之后，大家关注到了深度学习在计算机视觉领域的巨大潜力。首先来对比一下传统的目标检测算法和基于深度学习的目标检测算法之间的不同点：

01

汽车涂装能有多危险？模型和你，或许都不可靠！

人工智能技术日新月异，极大地推动了计算机视觉、自然语言处理等领域的进步。近年来，视觉应用安全成为大家关心的热门，特别是，在公共安全、自动驾驶等领域中，亟待回答这一问题。

02

【从零开始学Mask RCNN】一，原理回顾&&项目文档翻译

从今天开始，我将为大家逐步介绍Mask RCNN这个将检测和分割统一起来的框架的具体原理以及详细代码解读，项目地址为https://github.com/matterport/Mask_RCNN，基于TensorFlow1.x和Keras框架实现。

05

56.4 AP！超越YOLOv4，更快更强的CenterNet2来了！

代码：https://github.com/xingyizhou/CenterNet2

01

计算机视觉中的物体检测方法

本文适合刚入门物体检测的人群学习，不涉及公式推理。目录 *摘要 *相关物体检测数据集介绍 *现有的主流物体检测算法 *物体检测的难点与挑战 *相关术语介绍 *物体检测的传统算法概述 *基于深度学习的物体检测算法 R-CNN Fast-RCNN Faster-RCNN YOLO *物体检测动手实践 *参考文献摘要相比于图像分类，图像中物体检测是计算机视觉中一个更加复杂的问题，因为图像分类只需要判断出图像属于哪一类就行，而在物体检测中，图像里可能有多个物体，我们需要对所有

04

目标检测论文解读之RCNN

最近准备开始认真的梳理一下目标检测的相关算法，组合成一个目标检测算法系列。之前看到了一张特别好的目标检测算法分类的甘特图，但忘记是哪里的了，要是原始出处请提醒我标注。

01

把Faster-RCNN的原理和实现阐述得非常清楚

这篇文章把Faster R-CNN的原理和实现阐述得非常清楚，于是我在读的时候顺便把他翻译成了中文。

02

实例分割算法之Mask R-CNN论文解读

Anchor-Based的目标检测算法我们已经讲了比较多了，另外Anchor-Free的目标检测我们也已经简单解读了一下DenseBox开了个头，而今天我们要来说说另外一个方向即实例分割。而实例分割首当其冲需要介绍的就是2017年He Kaiming大神的力作Mask-RCNN，其在进行目标检测的同时进行实例分割，取得了出色的效果，并获得了2016年COCO实例分割比赛的冠军。

03

目标检测之R-CNN系列综述

上几期我们讲过目标检测 One-Stage 的代表 YOLOv3 本来这一期是打算写 SSD（One-Stage 的另一个代表）的，发现 SSD 其中涉及的知识是从 R-CNN（Two-Stage）来的，故此。这一期我们就来理理 R-CNN 系列的部分知识点，同样，我们会分为理论、体验和代码实战三期来进行讲解，今天就是理论部分。

01

读论文系列：Object Detection ICCV2015 Fast RCNN

Fast RCNN是对RCNN的性能优化版本，在VGG16上，Fast R-CNN训练速度是RCNN的9倍, 测试速度是RCNN213倍；训练速度是SPP-net的3倍，测试速度是SPP-net的3倍，并且达到了更高的准确率，本文为您解读Fast RCNN。 Overview Fast rcnn直接从单张图的feature map中提取RoI对应的feature map，用卷积神经网络做分类，做bounding box regressor，不需要额外磁盘空间，避免重复计算，速度更快，准确率也更高。 Rela

06

实战——目标检测与识别

最近总是有很多入门的朋友问我，我进入计算机视觉这个领域难不难？是不是要学习很多知识？到底哪个方向比较好？。。。。。这些问题其实我也不好回答他们，只能衷心告诉他们，如果你对这领域特别感兴趣，那你可以进来试试玩玩，如果试过了玩过了，觉得这不是你喜欢的领域，那你可以立马退出，选择你喜欢的领域方向。我个人一直认为，科研这个东西，真的是要有兴趣爱好，这是你动力和创新的源泉。只有对自己选择的领域有兴趣，有动力深入挖掘，我觉得一定会做得很好，可能还会创造出许多意想不到的结果。如果现在你们入门的朋友，选择了目标检测类，

05

目标检测: RCNN系列

传统的detection主流方法： DPM(Deformable parts models)，在VOC2007上能到43%的mAP，虽然DPM和CNN看起来差别很大，但依旧属于CNN。 CNN流行之后，Szegedy做过将detection问题作为回归问题的尝试（Deep Neural Networks for Object Detection），但是效果差强人意，在VOC2007上mAP只有30.5%。

05

基于深度学习的基准目标检测及其衍生算法

基于深度学习的目标检测方法根据有无区域提案阶段划分为区域提案检测模型和单阶段检测模型，其最近发展历程在图1中画出。

04

CVPR 2018 | 密歇根大学&谷歌提出TAL-Net：将Faster R-CNN泛化至视频动作定位中

选自arXiv 作者：Yu-Wei Chao等机器之心编译参与：Geek AI、路近日，密歇根大学和谷歌研究院的一项研究提出了时序动作定位网络 TAL-Net，该网络将之前常用于图像目标检测的 Faster R-CNN 网络应用于视频时序动作定位中。在 THUMOS'14 检测基准上，TAL-Net 在动作提名（action proposal）和定位上都取得了目前最好的性能，并且在 ActivityNet 数据集上取得了具有竞争力的性能。目前，该论文已被 CVPR 2018 大会接收。对人类动作的

04

目标检测算法之Faster-RCNN

前两天讲了RCNN和Fast-RCNN，相信对目标检测已经有了一些认识了。我们知道RCNN和Fast-RCNN都是双阶段的算法，依赖于候选框搜索算法。而搜索算法是很慢的，这就导致这两个算法不能实时。基于这个重大缺点，Faster-RCNN算法问世。

02

OCR技术的昨天今天和明天！2023年最全OCR技术指南！

OCR是一项科技革新，通过自动化大幅减少人工录入的过程，帮助用户从图像或扫描文档中提取文字，并将这些文字转换为计算机可读格式。这一功能在许多需要进一步处理数据的场景中，如身份验证、费用管理、自动报销、业务办理等都显得尤为实用。现如今，OCR解决方案会结合AI（人工智能）和ML（机器学习）技术，以自动化处理过程并提升数据提取的准确性。本文将介绍该技术的前世今生，一览该技术的阶段性发展：传统OCR技术统治的过去，深度学习OCR技术闪光的现在，预训练OCR大模型呼之欲出的未来！

00

盘点GAN在目标检测中的应用

1，2017-CVPR: A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 摘要如何学习对遮挡和变形不敏感的物体检测器？当前解决方案主要使用的是基于数据驱动的策略：收集具有不同条件下的对象物体的大规模数据集去训练模型，并期望希望最终可学习到不变性。但数据集真的有可能穷尽所有遮挡吗？作者认为，像类别一样，遮挡和变形也有长尾分布问题：一些遮挡和变形在训练集是罕见的，甚至不存在。提出了一种解决方案：学习一个对抗网

02

深度 | 像玩乐高一样拆解Faster R-CNN：详解目标检测的实现过程

作者：Matt Simon 机器之心编译本文详细解释了 Faster R-CNN 的网络架构和工作流，一步步带领读者理解目标检测的工作原理，作者本人也提供了 Luminoth 实现，供大家参考。 Luminoth 实现：https://github.com/tryolabs/luminoth/tree/master/luminoth/models/fasterrcnn 在阅读本文之前，若想了解 R-CNN 网络家族的发展，可以参看机器之心的文章：深度 | 用于图像分割的卷积神经网络：从R-CNN到

08

rcnn fast rcnn faster rcnn_档案整理年终总结

行人检测有两种方向，传统算法和基于深度学习算法。传统算法的典型代表有Haar特征+Adaboost算法，Hog特征+Svm算法，DPM算法。而基于深度学习的行人检测典型代表有RCNN系列，YOLO系列和SSD系列。其中RCNN系列算法是现在使用的最广泛的基于深度学习的行人检测算法。

02

基于faster-rcnn的目标物体检测_传统的目标检测算法

本文是继RCNN[1]，fast RCNN[2]之后，目标检测界的领军人物Ross Girshick团队在2015年的又一力作。简单网络目标检测速度达到17fps，在PASCAL VOC上准确率为59.9%；复杂网络达到5fps，准确率78.8%。

03

小样本检测：蒸馏&上下文助力小样本检测（代码已开源）

传统的基于深度学习的目标检测方法需要大量的边界框标注数据进行训练，获得如此高质量的标注数据成本很高。少样本目标检测，学习适应只有少数带注释的例子的新类，非常具有挑战性，因为新目标的细粒度特征很容易被忽略，而只有少数可用数据。

03

从编程实现角度学习 Faster R-CNN（附极简实现）

Faster R-CNN 的极简实现： github: simple-faster-rcnn-pytorch（http://t.cn/RHCDoPv ）本文插图地址（含五幅高清矢量图）：draw.io（http://t.cn/RQzroe3 ） 1 概述在目标检测领域, Faster R-CNN 表现出了极强的生命力, 虽然是 2015 年的论文（https://arxiv.org/abs/1506.01497），但它至今仍是许多目标检测算法的基础，这在日新月异的深度学习领域十分难得。Faster

05

深度 | 像玩乐高一样拆解Faster R-CNN：详解目标检测的实现过程

选自tryolabs 作者：Matt Simon 机器之心编译本文详细解释了 Faster R-CNN 的网络架构和工作流，一步步带领读者理解目标检测的工作原理，作者本人也提供了 Luminoth 实现，供大家参考。 Luminoth 实现：https://github.com/tryolabs/luminoth/tree/master/luminoth/models/fasterrcnn 在阅读本文之前，若想了解 R-CNN 网络家族的发展，可以参看机器之心的文章：深度 | 用于图像分割的卷积神

在 RK3399 开发板上部署 Tengine AI 框架

Tengine 是 OPEN AI LAB 一款轻量级神经网络推理引擎，它针对 Arm 嵌入式平台进行了专门优化，对 Android、Linux 系统都提供了很好的支持。

03

Faster RCNN 网络理解

backbone 为 vgg16 的 faster rcnn 网络结构如下图所示，可以清晰的看到该网络对于一副任意大小 PxQ 的图像，首先缩放至固定大小 MxN，然后将 MxN 图像送入网络；而 Conv layers 中包含了 13 个 conv 层 + 13 个 relu 层 + 4 个 pooling 层；RPN 网络首先经过 3×3 卷积，再分别生成 positive anchors 和对应 bounding box regression 偏移量，然后计算出 proposals；而 Roi Pooling 层则利用 proposals 从 feature maps 中提取 proposal feature 送入后续全连接和 softmax 网络作 classification（即分类： proposal 是哪种 object）。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭