2.2 G-CNN[8]

G-CNN 将目标检测问题看作是把检测框大年夜一些固定的网格逐渐变更到物体的┞锋实边框的问题。 这是一个经由几回迭代，赓续更新的过程。

其道理图如上所示，初始检测框是半数个图像进行不合标准的网格划分获得的，在经由卷积后获得物体的特点图像，将初始边框对应的特点图像经由过程 Fast R-CNN 中的办法转化为一个固定大年夜小的特点图像，经由过程回归获得加倍精确的边框，再次将这个新边框作为初始边框，做新的一次迭代。经由若干次迭代后的边框作为输出。

G-CNN 中应用约 180 个初始边框，经由 5 次迭代， 检测帧率在 3fps 阁下，精确率比 Fast R-CNN 要好一些。

SSD 也是应用单个的卷积神经收集对图像进行卷积后，在特点图像的每一个地位处猜测一系列不合尺寸和长宽比的界线框。在测试阶段，该收集对每一个界线框平分别包含各个类其余物体的可能性进行猜测，并且对界线框进行调剂以适应目标物体的外形。

SSD 在练习时只须要一幅输入图像和该图像中出现的物体的界线框。在不合的卷积层输出是不合标准的特点图像(如上图中的和)，在若干层的特点图像上的每一个地位处， 计算若干个(如 4 个)默认界线框内出现各个目标物体的置信度和目标物体的┞锋实界线框相对于默认界线框的误差。是以对于大年夜小为的特点图像，共产生个输出。这有点类似于 Faster R-CNN 中的锚的概念，然则将这个概念用到了不合分辨率的特点图像上。SSD 和 YOLO 的对比如下图：

在 VOC 2007 测试图像上，对于 300300 大年夜小的输入图像，SSD 可达到 72.1% mAP 的精确率，速度为 58 帧每秒，且能猜测 7k 以上个界线框，而 YOLO 只能猜测 98 个。下图是上述几个算法在机能上的比较：

参考文献

[1] Girshick, Ross, et al. "Rich feature hierarchies for accurate object detection and semantic segmentation." CVPR 2014.

[3] Ren, Shaoqing, et al. "Faster R-CNN: Towards real-time object detection with region proposal networks." Advances in neural information processing systems. 2015.

[4] Bell, Sean, et al. "Inside-outside net: Detecting objects in context with skip pooling and recurrent neural networks." arXiv preprint arXiv:1512.04143 (2015).

[6] Yang, Fan, Wongun Choi, and Yuanqing Lin. "Exploit all the layers: Fast and accurate cnn object detector with scale dependent pooling and cascaded rejection classifiers." CVPR 2016.

[7] Redmon, Joseph, et al. "You only look once: Unified, real-time object detection." arXiv preprint arXiv:1506.02640 (2015).

[8] Najibi, Mahyar, Mohammad Rastegari, and Larry S. Davis. "G-CNN: an Iterative Grid Based Object Detector." arXiv preprint arXiv:1512.07729 (2015).

[9] Liu, Wei, et al. "SSD: Single Shot MultiBox Detector." arXiv preprint arXiv:1512.02325 (2015).

【编辑推荐】

1. Facebook的交互式神经收集可视化体系ActiVis，打开神经收集的“黑盒子”
2. 一文看懂神经收集工作道理
3. 递归神经收集之父:将来机械人对待仁攀类就像我们存眷蚂蚁一般
4. 图解机械进修：神经收集和TensorFlow的文本分类
5. 座谈四种神经收集序列解码模型以及示例代码

【义务编辑：51CTO_OS TEL：（010）68476606】

　　推荐阅读

　　干货｜国内外十大主流采集软件盘点

大年夜数据技巧用了多年时光进行演变，才大年夜一种看起来很炫酷的新技巧变成了企业袈溱临盆经营中实际安排的办事。个中，数据采集产品迎来了广阔的市场前景，无论国表里，市情上都出现了>>>详细阅读

本文标题：深度卷积神经网络在目标检测中的进展

地址：http://www.17bianji.com/lsqh/34952.html

 1/2    1