028-86922220
根据您的个性需求进行定制 先人一步 抢占小程序红利时代
这篇文章主要讲解了“R-CNN模型是怎样的”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“R-CNN模型是怎样的”吧！
创新互联于2013年成立，是专业互联网技术服务公司，拥有项目网站设计、成都网站制作网站策划，项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命，1280元浦北做网站,已为上家服务,为浦北各地企业和个人服务,联系电话:18982081108
目标识别与检测数据库：PASCAL VOC在12年以前一直进展缓慢，一些新提出的优化方法只是把之前的方法线性地结合在一起。Ross Girshick提出的R-CNN直接将识别准确率提高了30%。作者主要利用两个因素：一个是CNN可以应用于区域候选，以便定位和分割物体；另一个是当标记的训练数据很少时，辅助任务的预训练加以fine-tuning，可以显著提高性能。（when labeled training data is scarce, supervised pre-training for an auxiliary task, followed by domain-specific fine-tuning, yields a significant performance boost.）
R-CNN提出以前，各式各样的目标检测算法大都基于SIFT和HOG算子，二者都是 blockwise orientation histograms，我们可以大致地将它们与哺乳动物视觉联系起来。但大脑的识别过程应该是多层传递的，因此识别程序也应该有一个多层结构。基于此，Fukushima 提出了“neocognitron”方法，Lecun 也提出了“missing algorithm”。
鉴于13年CNN的火爆，作者认为：CNN在图像分类上的结果也可以扩展应用到PASCAL VOC的挑战上。为了达成目标，需要解决两个问题：
用深度网络定位目标。目标检测首先需要定位物体（localization）。定位的实现方式一般为滑动窗检测（用窗口截取图像的一部分，每次都做一个定位回归），但对于较大感受野和步长的CNN是一个不小的挑战。
用小容量的标记数据训练大容量的网络。解决方式上面其实已经说了，就是在ILSVRC这个大的辅助训练集上进行监督训练，接着在PASCAL上domain-specific fine-tuning。
另外，作者的系统也十分有效：The only class-specific computations are a reasonably small matrix-vector product and greedy non-maximum suppression。
作者还发现，即使去除94%的参数，CNN模型检测的准确率只会有略微的下降。通过一个检测分析工具，发现只需要通过简单的边界框回归就可以显著地降低定位错误率。
整个检测系统分为三个部分：
生成独立分类的候选区域。作者的方法是use selective search to enable a controlled comparison with prior
用CNN，对每个候选区域提出固定长度的特征向量。输入的图片固定为227*227，且提前进行mean-subtracted处理。之后用一个5卷积层，2全连接层的CNN来提取4096维特征向量。
用SVM对特征向量进行分类。
一开始，系统先用selective search提取2000个候选区域，并将其warp到277*277大小，进入CNN提取特征，并用SVM分类。最后，再用 greedy non-maximum suppression 把那些高度重叠的框剔除。
R-CNN运行时间很短，这归功于两点：1. CNN对于每个分类的参数都是共享的；2. 与其他方法相比，4096维的特征向量算是很小的了。
运行结果是，即使有100k个分类，一张图在多核CPU上也只要10秒；生成的低维特征图只占1.5GB。
Supervised pre-training：先将CNN在ILSVRC 2012上进行预训练（with image-level annotations (i.e., no bounding box labels)），框架采用的是Caffe。由于训练过程的简单化，作者不小心就达到了ILSVRC最低错误率；
Domain-specific fine-tuning：微调过程，以0.001的学习速率进行SGD训练。对某个分类只要IOU>0.5就视该边框为正值。每次SGD迭代都采样38个正边框和96个背景。
Object category classifiers：对某个分类，高IOU和IOU都很好区分，但IOU处于中值时则很难定义生成的候选框是否包含了该物体。作者设定了一个阈值0.3，低于它的一律视为背景（负数）。另外，每个分类都优化一个SVM。由于负样本很多，因此还采用了hard negative mining方法
作者提交了两个版本，一个没有bounding box regression（RCNN），一个有（RCNN BB），结果如下：
简而言之，就是MAP显著提高了不少（从35.1%到53.7%），而且运行时间也短。
感谢各位的阅读，以上就是“R-CNN模型是怎样的”的内容了，经过本文的学习后，相信大家对R-CNN模型是怎样的这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！
