fasterrcnn

本文目录一览：

• 1、fasterrcnn目标检测map达到多少比较好
• 2、fasterrcnn最少要训练多少次
• 3、Part-basedR-CNN是谁提出的
• 4、fasterrcnn中怎么替换回归损失为iou损失而不梯度爆炸?

fasterrcnn目标检测map达到多少比较好

1、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。

2、所以不管ROI pooling之前的feature map大小是多少，ROI pooling后得到的feature map大小都是H*W。因此可以看出Fast RCNN主要有3个改进：卷积不再是对每个region proposal进行，而是直接对整张图像，这样减少了很多重复计算。

3、。50个，FasterR-CNN是很多人进行目标检测领域学习的必经之路。本文将从实战的角度出发，对FasterR-CNN的结构、损失函数以及令人难以理解的anchor进行详细说明。本文将结合代码从以下几个部分进行解析。

fasterrcnn最少要训练多少次

次50个，FasterR-CNN是很多人进行目标检测领域学习的必经之路。本文将从实战的角度出发，对FasterR-CNN的结构、损失函数以及令人难以理解的anchor进行详细说明。本文将结合代码从以下几个部分进行解析。

而且R-CNN中生成的2000个左右的候选框全部需要经过一次卷积神经网络，也就是需要经过2000次左右的CNN网络，这个是十分耗时的(fast R-CNN已经做了改进，只需要对整图经过一次CNN网络)。这也是导致这两个算法检测速度较慢的最主要原因。

最后，我们将跳连的作用置零，来测试FastSCNN的性能。验证集上，mIoU从622%降低到630%。图3比较了定性结果。正如所料，跳连对FastSCNN是有益的，特别是在边界和小尺寸物体周围。

RCNN：RCNN可以看作是RegionProposal+CNN这一框架的开山之作，在imgenet/voc/mscoco上基本上所有top的方法都是这个框架，可见其影响之大。RCNN的主要缺点是重复计算，后来MSRA的kaiming组的SPPNET做了相应的加速。

Fast R-CNN和R-CNN相比，训练时间从84小时减少到5小时，测试时间从47秒减少到0.32秒，并且在PASCAL VOC 2007上测试的准确率相差无几，约在66%-67%之间。

Part-basedR-CNN是谁提出的

RCNN 的作者 Ross Girshick 提出了这个想法，即每张图像只运行一次 CNN，然后找到一种方法在 2，000 个区域之间共享该计算。在 Fast RCNN 中，我们将输入图像提供给 CNN，后者反过来生成卷积特征图。

在Fast R-CNN 中，region proposal 是由 CNN 网络之外的算法提供的，例如 selective search。相对于后续的 region recognition 过程，region proposal 这一步实际上是整个算法的速度瓶颈。

因此，R-CNN， Fast R-CNN， Faster R-CNN， YOLO被开发去又快又准地找物体。

在two-stage领域， 2017年Facebook提出了mask R-CNN 。CMU也提出了A-Fast-RCNN 算法，将对抗学习引入到目标检测领域。Face++也提出了Light-Head R-CNN，主要探讨了 R-CNN 如何在物体检测中平衡精确度和速度。

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。

次50个，FasterR-CNN是很多人进行目标检测领域学习的必经之路。本文将从实战的角度出发，对FasterR-CNN的结构、损失函数以及令人难以理解的anchor进行详细说明。本文将结合代码从以下几个部分进行解析。