4.3目标检测
觉得有用的话,欢迎一起讨论相互学习~
3.10 region proposals候选区域与R-CNN
- 基于滑动窗口的目标检测算法将原始图片分割成小的样本图片，并传入分类器进行检测。
- 基于卷积神经网络的滑动窗口目标检测方法把原始图像分割成小的网格，并分别在网格中检测是否有目标对象。
- 有人提出在基于普通滑动的目标检测方法中有很多小的样本图片中是空的是没有意义的，所以通过 图像分割 技术将原始图像分割成上千个子图片，然后在这上千个子图片中使用分类算法实现目标检测技术 (这个思想早于基于滑动窗口目标的卷积神经网络目标检测方法，所以在NG认为还是YOLO方法更加的有效)
Girshick, Ross, et al. "Rich feature hierarchies for accurate object detection and semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2014.
regions with CNN (R-CNN)带区域的CNN
- 注意这比YOLO算法的提出大概早了两年
- 这个算法尝试选出一些在其上运行卷积网络分类器有意义的区域，即在事先挑选的少数窗口上 运用图像分割算法进行窗口的挑选 运行卷积神经网络分类器。
- 注意,R-CNN得到的输出含有bounding box(边界框)，而不是直接使用图像分割时的边界作为边界框，这样的做法使R-CNN的目标检测效果更加精确
Fast R-CNN
Girshick, Ross. "Fast r-cnn." Proceedings of the IEEE international conference on computer vision. 2015.
- 但是R-CNN的算法，现在来看还是太慢了，所以有专家提出了 Fast R-CNN算法/R-CNN算法是逐一对图像分割的区域进行目标检测的，而Fast R-CNN使用了滑动窗口的卷积方法，这显著提高了R-CNN的速度。
- 但是Fast R-CNN 得到候选区域的聚类步骤仍然非常缓慢
Faster R-CNN
- 为了解决Fast R-CNN选取候选区域缓慢的问题 ，提出了Faster R-CNN算法
Ren, Shaoqing, et al. "Faster r-cnn: Towards real-time object detection with region proposal networks." Advances in neural information processing systems. 2015.
- Faster R-CNN中使用的是CNN方法而不是传统的图像分割方法，来获取候选区块。结果比Fast R-CNN快很多
- 但是，NG认为即使是Faster R-CNN,其速度仍然是赶不上YOLO目标检测算法的