【沙龙】51CTO诚邀您9月23号和多位技巧大年夜咖一路聊智能CDN的优化之路，抓紧时光哦！

Faster R-CNN、R-FCN 和 SSD 是三种今朝最优且应用最广泛的目标检测模型。其他风行的模型平日与这三者类似，都依附于深度 CNN(如 ResNet、Inception 等)来进行收集初始化，且大年夜部分遵守同样的 proposal/分类管道。本文介绍了深度进修目标检测的三种常见模型：Faster R-CNN、R-FCN 和 SSD。

跟着主动驾驶汽车、智能监控摄像头、面部辨认以及大年夜量对人有价值的应用出现，快速、精准的目标检测体系市场也日益蓬勃。这些体系除了可以对图像中的每个目标进行辨认、分类以外，它们还可以经由过程在该目标四周绘制适昔时夜小的界线框(bounding box)来对其进行定位。这让目标检陈技巧较传统计算机视觉处理技巧——图像分类而言，难度上升了不少。

也许 Faster R-CNN 看起来可能会异常复杂，然则它的核心设计照样与最初的 R-CNN 一致：先假设对象区域，然后对其进行分类。今朝，这是很多目标检测模型应用的重要思路，包含我们接下来将要提到的┞封个模型。

然而，荣幸的是，今朝最成功的目标检测办法是对图像分类模型的扩大。几个月前，Google 为 Tensorflow 宣布了一个新的目标检测 API。与其同时宣布的还有针对一些特定模型预构建的框架和权重。

• 基于 MobileNets 框架的 Single Shot Multibox Detector(SSD)模型。
• 基于 Inception V2 框架的 SSD 模型。
• 应用 ResNet-101 框架的基于 Region 的全卷积收集(R-FCN)模型。
• 基于 ResNet-101 框架的 Faster RCNN 模型。
• 基于 Inception ResNet v2 的 Faster RCNN 模型。

在以前的文┞仿中 ，机械之心曾梳理了 Xception、Inception 和 ResNet 等根本收集的架构和背后的设计思路。在本文中，我们会对 Tensorflow 的目标检测模型 Faster R-CNN、R-FCN 以及 SSD 做同样的介绍。欲望在停止本文的浏览之后，你可以懂得到以下两点：

1. 深度进修是如安在目标检估中获得应用的。
2. 这些目标检测模型的设计是如安在互相之间获得灵感的同时也有各自的特点。

FASTER R-CNN 模型

Faster R-CNN 模型如今是一个典范的基于深度进修的目标检测模型。在它的启发下，出现了很多目标检测与瓜分模型，比如本文中我们将会看到的别的两个模型。然而，要真正开端懂得 Faster R-CNN 我们须要懂得其之前的 R-CNN 和 Fast R-CNN。所以，如今我们快速介绍一下 Faster R-CNN 的前因后果。

如不雅要拟人化比方，那 R-CNN 肯定是 Faster R-CNN 的祖父了。换句话说，R-CNN 是一切的开端。

R-CNN，或称 Region-based Convolutional Neural Network，其工作包含了三个步调：

• 借助一个可以生成约 2000 个 region proposal 的「选择性搜刮」(Selective Search)算法，R-CNN 可以对输入图像进行扫描，来获取可能出现的目标。
• 在每个 region proposal 上都运行一个卷积神经收集(CNN)。
• 将每个 CNN 的输出都输入进：a)一个支撑向量机(SVM)，以对上述区域进行分类。b)一个线性回归器，以紧缩目标四周的界线框，前提是如许的目标存在。

下图具体描述了上述 3 个步调：

换句话说，起首，我们给出一些建议区域，然后，大年夜中提掏出特点，之后，再根据这些特点来对这些区域进行分类。本质而言，我们将目标检测转化成了图像分类问题。R-CNN 模型固然异常直不雅，然则速度很慢。

Fast R-CNN

直接承接 R-CNN 的是 Fast R-CNN。Fast R-CNN 在很多方面与 R-CNN 类似，然则，凭借两项重要的加强手段，其检测速度较 R-CNN 有所进步：

1. 在推荐区域之前，先对图像履行特点提取工作，经由过程这种办法，后面只用半数个图像应用一个 CNN(之前的 R-CNN 收集须要在 2000 个重叠的区域上分别运行 2000 个 CNN)。
2. 将支撑向量机调换成了一个 softmax 层，这种变更并没有创建新的模型，而是精力经收集进行潦攀扩大以用于猜测工作。

Fast R-CNN 模型构造示意图：

如图所见，如今我们基于收集最后的特点图(而非原始图像)创建了 region proposals。是以，我们半数幅图只悠揭捉?练一个 CNN 就可以了。

此外，我们应用了一个 softmax 层来直接输出类(class)的概率，而不是像之前一样练习很多不合的 SVM 去对每个目标类(object class)进行分类。如今，我们只悠揭捉?练一个神经收集，而之前我们须要练习一个神经收集以及很多 SVM。

就速度而言，Fast R-CNN 晋升了很多。

然而，存在一大年夜未解决的瓶颈：用于生成 region proposal 的选择搜刮算法(selective search algorithm)。

FASTER R-CNN

到如今为止，我们完成了对 Faster R-CNN 两大年夜早期模型的溯源。下面我们开端研究 Faster R-CNN。Faster R-CNN 的重要立异是，它用一个快速神经收集代替了之前慢速的选择搜刮算法(selective search algorithm)。具体而言，它惹人了一个 region proposal 收集(RPN)。

　　推荐阅读

　　在Linux中运行sudo命令不需要密码

对于组而言，在组名前面应用 % 字符;这意味着 sys 组的所有成员都可以不消暗码应用sudo 。 【沙龙】51CTO诚邀您9月23号和多位技巧大年夜咖一路聊智能CDN的优化之路，抓紧时光哦！ 假设你在只>>>详细阅读

本文标题：深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD

地址：http://www.17bianji.com/lsqh/37531.html

 1/2    1