[DeeplearningAI笔记]卷积神经网络3.10候选区域region proposals与R-CNN

4.3目标检测

以为有用的话,欢迎一块儿讨论相互学习~Follow Me

<font color=deeppink>3.10 region proposals候选区域与R-CNN</font>

• 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不少小的样本图片中是空的是没有意义的，因此经过 图像分割 技术将原始图像分割成上千个子图片，而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，因此在NG认为仍是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.

<font color=green>regions with CNN (R-CNN)带区域的CNN</font>

• 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获得的输出含有bounding box(边界框)，而不是直接使用图像分割时的边界做为边界框，这样的作法使R-CNN的目标检测效果更加精确

<font color=green>Fast R-CNN</font>

Girshick, Ross. "Fast r-cnn." Proceedings of the IEEE international conference on computer vision. 2015.

• 可是R-CNN的算法，如今来看仍是太慢了，因此有专家提出了 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，这显著提升了R-CNN的速度。
• 可是Fast R-CNN 获得候选区域的聚类步骤仍然很是缓慢

<font color=green>Faster R-CNN</font>

• 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快不少
• 可是，NG认为即便是Faster R-CNN,其速度仍然是赶不上YOLO目标检测算法的