[DeeplearningAI筆記]卷積神經網絡3.10候選區域region proposals與R-CNN

4.3目標檢測

以爲有用的話,歡迎一塊兒討論相互學習~Follow Me

<font color=deeppink>3.10 region proposals候選區域與R-CNN</font>

• 基於滑動窗口的目標檢測算法將原始圖片分割成小的樣本圖片，並傳入分類器進行檢測。
• 基於卷積神經網絡的滑動窗口目標檢測方法把原始圖像分割成小的網格，並分別在網格中檢測是否有目標對象。
• 有人提出在基於普通滑動的目標檢測方法中有不少小的樣本圖片中是空的是沒有意義的，因此經過 圖像分割 技術將原始圖像分割成上千個子圖片，而後在這上千個子圖片中使用分類算法實現目標檢測技術 (這個思想早於基於滑動窗口目標的卷積神經網絡目標檢測方法，因此在NG認爲仍是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)帶區域的CNN</font>

• 注意這比YOLO算法的提出大概早了兩年
• 這個算法嘗試選出一些在其上運行卷積網絡分類器有意義的區域，即在事先挑選的少數窗口上 運用圖像分割算法進行窗口的挑選 運行卷積神經網絡分類器。
• 注意,R-CNN獲得的輸出含有bounding box(邊界框)，而不是直接使用圖像分割時的邊界做爲邊界框，這樣的作法使R-CNN的目標檢測效果更加精確

<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，如今來看仍是太慢了，因此有專家提出了 Fast R-CNN算法/R-CNN算法是逐一對圖像分割的區域進行目標檢測的，而Fast R-CNN使用了滑動窗口的卷積方法，這顯著提升了R-CNN的速度。
• 可是Fast R-CNN 獲得候選區域的聚類步驟仍然很是緩慢

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

• 爲了解決Fast R-CNN選取候選區域緩慢的問題 ，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方法而不是傳統的圖像分割方法，來獲取候選區塊。結果比Fast R-CNN快不少
• 可是，NG認爲即便是Faster R-CNN,其速度仍然是趕不上YOLO目標檢測算法的