RCNN系列、Fast-RCNN、Faster-RCNN、R-FCN检测模型对比_rfcn与faster-rcnn优点

RCNN系列、Fast-RCNN、Faster-RCNN、R-FCN检测模型对比

一．RCNN

问题一：速度

经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断。

问题二：训练集

经典的目标检测算法在区域中提取人工设定的特征（Haar，HOG）。本文则需要训练深度网络进行特征提取。可供使用的有两个数据库：

一个较大的识别库（ImageNet ILSVC 2012）：标定每张图片中物体的类别。一千万图像，1000类。

一个较小的检测库（PASCAL VOC 2007）：标定每张图片中，物体的类别和位置。一万图像，20类。

保证合并后形状规则。

网络分为四个部分：区域划分、特征提取、区域分类、边框回归

区域划分：使用selective
search算法画出2k个左右候选框，送入CNN

特征提取：使用imagenet上训练好的模型，进行finetune

区域分类：从头训练一个SVM分类器，对CNN出来的特征向量进行分类

边框回归：使用线性回归，对边框坐标进行精修

优点：

ss算法比滑窗得到候选框高效一些；使用了神经网络的结构，准确率比传统检测提高了

缺点：

1、ss算法太耗时，每张图片都分成2