DL之FastR-CNN：Fast R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

DL之FastR-CNN：Fast R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

目录

Fast R-CNN算法的简介(论文介绍)

1、实验结果

2、Fast R-CNN算法结构框图

3、R-CNN VS Fast R-CNN

Fast R-CNN算法的架构详解

Fast R-CNN算法的案例应用

相关文章
DL之R-CNN：R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之FastR-CNN：Fast R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之FastR-CNN：Fast R-CNN算法的架构详解
DL之FasterR-CNN：Faster R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

Fast R-CNN算法的简介(论文介绍)

Abstract  
       This paper proposes a Fast Region-based Convolutional  Network method (Fast R-CNN) for object detection. Fast  R-CNN builds on previous work to efficiently classify object  proposals using deep convolutional networks. Compared  to previous work, Fast R-CNN employs several innovations  to improve training and testing speed while also  increasing detection accuracy. Fast R-CNN trains the very  deep VGG16 network 9× faster than R-CNN, is 213× faster  at test-time, and achieves a higher mAP on PASCAL VOC  2012. Compared to SPPnet, Fast R-CNN trains VGG16 3×  faster, tests 10× faster, and is more accurate. Fast R-CNN  is implemented in Python and C++ (using Caffe) and is  available under the open-source MIT License at https:  //github.com/rbgirshick/fast-rcnn.
摘要
       本文提出了一种基于区域卷积网络的快速目标检测方法(Fast R-CNN)。Fast  R-CNN建立在以前工作的基础上，使用深度卷积网络有效地分类对象建议。与之前的工作相比，Fast R-CNN在提高训练和测试速度的同时，也提高了检测精度。Fast R-CNN训练了非常深的VGG16网络，速度比R-CNN快9倍，测试时速度213倍，在PASCAL VOC 2012上实现了更高的mAP。与SPPnet相比，Fast R-CNN训练VGG16 更快3倍，测试速度更快10倍，更准确。Fast R-CNN是用Python和c++(使用Caffe)实现的，可以通过https: //github.com/rbgirshick/fast-rcnn获得MIT的开源许可。
Conclusion  
       This paper proposes Fast R-CNN, a clean and fast update  to R-CNN and SPPnet. In addition to reporting state-of-theart  detection results, we present detailed experiments that  we hope provide new insights. Of particular note, sparse  object proposals appear to improve detector quality. This  issue was too costly (in time) to probe in the past, but becomes  practical with Fast R-CNN. Of course, there may exist  yet undiscovered techniques that allow dense boxes to  perform as well as sparse proposals. Such methods, if developed,  may help further accelerate object detection.
结论
       本文提出了一种Fast R-CNN，对R-CNN和SPPnet进行了干净、快速的更新。除了报告最新的检测结果，我们还提供了详细的实验，希望能提供新的见解。特别值得注意的是，稀疏对象建议似乎可以提高检测器的质量。这个问题在过去花费太多(时间)去探索，但在Fast R-CNN中变得实用。当然，可能存在一些尚未发现的技术，允许密集的框执行稀疏的建议。如果开发出这样的方法，将有助于进一步加速目标检测。

论文
Ross Girshick.
Fast R-CNN. ICCV 2015
https://arxiv.org/abs/1504.08083

1、实验结果

1、mAPbased on PASCAL VOC 2007, results from Girshick

图示可知，SPP比R-CNN的测试速度快了24倍，而Fast R-CNN又比SPP加快了10倍以上！

2、Fast R-CNN: Result

2、三者架构对比——R-CNN、Fast R-CNN、Faster R-CNN

多任务学习、引入RoI pooling来对齐不同尺度的建议框的特征大小。

相关文章：DL之FasterR-CNN：Faster R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

3、Fast R-CNN算法结构框图

Fast R-CNN算法的架构详解

更新……

DL之FastR-CNN：Fast R-CNN算法的架构详解

Fast R-CNN算法的案例应用

更新……