fasterrcnn论文

本文目录一览：

• 1、计算机视觉领域必读的9篇论文
• 2、目标检测系列(一):R-CNN
• 3、目标检测算法经典论文回顾(一)

计算机视觉领域必读的9篇论文

1、计算机视觉技术论文篇一 计算机视觉技术的应用研究 摘要 文章在介绍计算机视觉技术相关内容的基础上，对该技术在工业、农业、林业和农产品检测这四个领域的具体应用进行简要分析。

2、图像识别技术论文篇一 图像识别技术研究综述 摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。

3、Transformer[28]最初是自然语言处理(NLP)领域的一个模型，用于并行处理单词向量，以加速模型推理。它的全局计算特性适用于远距离传递特征。这正是计算机视觉领域中卷积运算所不擅长的。

4、特征检测与描述是计算机视觉中一个非常活跃的研究领域。在许多不同的应用中，获得在不同的图像变换(如视点、模糊、噪声等)下显示出高重复性和独特性的特征是非常重要的。

目标检测系列(一):R-CNN

1、最著名的目标检测系统有RCNN系列、YOLO和SSD，本文将介绍RCNN系列的开篇作RCNN。 RCNN系列的技术演进过程可参见 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 。

2、年R-CNN算法被提出，基本奠定了two-stage方式在目标检测领域的应用。

3、R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域(即图片的局部裁剪，被称为Region Proposal)，文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络(AlexNet)，得到每个区域内物体的类别。

4、首先从属于RCNN系列算法开始，即RCNN、 Fast RCNN和 Faster RCNN。在之后的文章中，将介绍更多高级算法，如YOLO、SSD等。 解决对象检测任务的简单方法(使用深度学习) 下图说明了对象检测算法是如何工作。

5、好消息是——我们有另一种目标检测技术，它修复了我们在 RCNN 中看到的大部分问题。我们还能做些什么来减少 RCNN 算法通常需要的计算时间？我们是否可以每张图像只运行一次并获取所有感兴趣的区域（包含某个目标的区域）。

6、Faster R-CNN 引入了一个 区域生成网络(Region Proposal Network，RPN) ，该网络与检测网络共享输入图像的卷积特征，从而使接近零时间成本的区域生成成为可能。 RPN是一个全卷积网络，可以同时在每个位置预测目标边界和目标分数。

目标检测算法经典论文回顾(一)

作者通过对输入网络的region进行一定的处理(通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框)来增加网络对目标回归框的精度。

框的回归非常重要，在对每一个region proposal使用分类器进行打分评价之后，作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。

R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域(即图片的局部裁剪，被称为Region Proposal)，文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络(AlexNet)，得到每个区域内物体的类别。

faster rcnn算法大致流程如下：彩色图像通过backbone进行特征提取，输出最后一层的feature map。接着将这些feature map进一步做基于3x3卷积核的特征提取，该目的是增强模型的鲁棒性。

时间上的对比： Faster R-CNN最快并且能用作实时目标检测 之前几种算法的缺点： 产生region的时候没有纵览整幅图。其实图的某些部分有更高的可能性包含物体。