fasterr-cnn

本文目录一览：

• 1、fasterrcnn中怎么替换回归损失为iou损失而不梯度爆炸?
• 2、Faster-RCNN检测模型训练效果的时候用的是查准率和查全率么
• 3、faster_rcnn识别结果为什么不是标注过的
• 4、faster-rcnn是端到端网络的吗

fasterrcnn中怎么替换回归损失为iou损失而不梯度爆炸?

faster R-CNN抛弃了R-CNN中的选择性搜索(selective search)方法，使用RPN层来生成候选框，能极大的提升候选框的生成速度。RPN层先经过3x3的卷积运算，然后分为两路。

在Fast RCNN的基础上进一步优化，用CNN网络代替Fast R-CNN中的region proposal模块(使用传统Selective Search方法)，从而实现了全神经网络的检测方法，在召回和速度上都超过了传统的Selective Search。

用Softmax 代替SVM 提出多任务损失函数思想，将深度网络和SVM分类两个阶段整合，即将分类问题和边框回归问题进行合并。算法详解：Fast R-CNN的流程图如下，网络有两个输入： 图像和对应的region proposal 。

而Fast R-CNN将整张图像归一化后直接送入深度网络，紧接着送入从这幅图像上提取出的候选区域。这些候选区域的前几层特征不需要再重复计算。 训练所需空间大 R-CNN中独立的分类器和回归器需要大量特征作为训练样本。

分类损失 为两个类别的对数损失；回归损失 ，其中 为在 Fast R-CNN 一文中定义的鲁棒损失函数（平滑 ）。 表示回归损失仅对正anchor激活，否则被禁用（ ）。cls和rge层的输出分别由 和 组成。

Faster-RCNN检测模型训练效果的时候用的是查准率和查全率么

查准率反映检索准确性，其补数就是误检率。查全率（Recall ratio，简称为R），是指检出的相关文献数占系统中相关文献总数的百分比。查全率反映检索全面性，其补数就是漏检率。

反过来，场景会决定训练模型时的标准，比如第一个场景中，我们就只看RECALL=99999%(地震全中)时的PRECISION，其他指标就变得没有了意义。

利用CNN网络天然的特征金字塔特点，模拟图像金字塔功能，使得RPN和Fast RCNN可以在多个尺度级别(scale level)的feature map上分别预测不同尺寸的对象，大大提高了Faster RCNN的检测能力。

faster R-CNN使用resNet101模型作为卷积层，在voc2012数据集上可以达到88%的准确率，超过yolo ssd和yoloV2。其最大的问题是速度偏慢，每秒只能处理5帧，达不到实时性要求。

faster_rcnn识别结果为什么不是标注过的

1、目前基于CNN的轮廓检测方法的表现主要依赖于先进的CNN结构。2012年Imagenet冠军案例就是一个使用CNN进行物体识别的挑战，证明了CNN是有非常不错的物体识别能力和表现。

2、由于后续网络部分不共享，导致重复计算全连接层等参数，时间代价过高。(另外还需要多说一句，全连接层计算量是要大于全卷积层的)因此RFCN（Region-based fully convolutional network）试图以Faster RCNN和FCN为基础进行改进。

3、功能不同。功能不同，Resnet50_Faster_RCNN网络结构下面两张图中，第一张是Resnet50_Faster_RCNN的网络结构流程图，第二张是详细展开后的网络卷积模块。

4、虽然分类信息和confidence都是概率，但表达含义完全不同。 筛选层是为了在多个结果中(多个bounding box)筛选出最合适的几个，这个方法和faster R-CNN 中基本相同。

5、faster-rcnn主要是对rcnn需要对每一个候选区域进行cnn这一繁琐操作进行改进。在得到每个区域的feature map后，通过rolpooling层来进行采样操作对尺寸进行调整以便输入模型。

6、RoI Pooling：主要是为了解决全连接层需要固定尺寸输入，而实际输入大小不一的问题；Classification and Regression：精细化分类和回归。

faster-rcnn是端到端网络的吗

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。

Faster RCNN是首个实现端到端训练的网络，通过一个网络实现了特征提取、候选框生成、边界框回归和分类，这样的框架大大提高了整个网络的检测速度。

如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。

Faster R-CNN是2-stage方法的奠基性工作，提出的RPN网络取代Selective Search算法使得检测任务可以由神经网络端到端地完成。