fasterr-cnn（yoloV5与fasterrcnn）_检测_网络_候选

本文目录一览：

• 1、目标检测SSD相对于YOLO与faster-RCNN做了哪些改进?效果如何
• 2、折腾faster-rcnn(三)--训练篇
• 3、faster-rcnn是端到端网络的吗
• 4、fasterrcnn为什么比fastrcnn快
• 5、faster_rcnn识别结果为什么不是标注过的

目标检测SSD相对于YOLO与faster-RCNN做了哪些改进?效果如何

1、但是由于运行selective—search实在是太慢，希望用更快的方法。“直接上YOLO呗可以参考博文：物体检测-从RCNN到YOLO参考列表中”YouOnlyLo好Once“一项，包括YOLO的论文、视频、源码、使用方式。

2、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。

3、SSD与2016年由W. Liu et al.在 SSD： Single Shot MultiBox Detector 一文中提出。虽然比同年提出的YOLO（v1）稍晚，但是运行速度更快，同时更加精确。

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、R.Joseph基于YOLO作出了一些列的改进，已经提出的v2和v3版本在保持很高的检测速度的情况下，更进一步提高了检测的准确度。

折腾faster-rcnn(三)--训练篇

1、Faster RCNN的一大创新点就是提出了“RPN”网络，在提高精度的同时提高了速度，这里讲一下RPN网络的训练。RPN网络训练有两个Loss：pi表示网络预测出来第i个anchor是目标的概率，pi* 表示对应的Ground Truth。

2、faster rcnn是何凯明等大神在2015年提出目标检测算法，该算法在2015年的ILSVRV和COCO竞赛中获得多项第一。该算法在fast rcnn基础上提出了RPN候选框生成算法，使得目标检测速度大大提高。

3、https：//zhuanlan.zhihu.com/p/31426458 主体为3部分。Faster R-CNN有对原始图像进行resize成HxW的操作。使得长边小于等于1000，短边小于等于600（至少有一个等于）。

4、下面是Faster R-CNN-FPN的网络框架图(或称为tensor流动图)。 众所周知，Faster R-CNN-FPN(主要是Faster R-CNN)是个两阶段的对象检测方法，主要由两部分网络组成，RPN和Fast R-CNN。

5、RPN经过端到端的训练，可以生成高质量的区域候选框，然后提供给Fast R-CNN用于检测。 Faster R-CNN 由两个模块组成：第一个模块是区域生成的深度全卷积网络，第二个模块是使用备选区域的Fast R-CNN检测器。

faster-rcnn是端到端网络的吗

这是在 Faster R-CNN 中提出，到现在为止最后一块不是神经网网络涉及的区域也被神经网络占领了。从 R-CNN 到 Faster R-CNN，现在网络结构成为真正的端到端的网络结构。

Faster R-CNN是第一个端到端的检测网络。第一阶段利用一个区域候选网络(RPN)在特征图的基础上生成候选框，使用ROIPooling对齐候选特征的大小；第二阶段用全连接层做细化分类和回归。这里提出了Anchor的思想，减少运算难度，提高速度。

Faster R-CNN实现了端到端的检测，并且几乎达到了效果上的最优，有些基于Faster R-CNN的变种准确度已经刷到了87%以上。速度方面还有优化的余地，比如Yolo系列（Yolo v1/v2/v3/v4）。

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。

fasterrcnn为什么比fastrcnn快

1、Fast R-CNN之所以比RCNN和SPPnet快，是因为它引入了ROI池化层，将多个候选框中的特征图映射到固定大小的特征图上，从而使得共享卷积层的特征提取可以被多个候选框共享，从而减少了重复计算，提高了计算效率。

2、RPN网络的特点在于通过滑动窗口的方式实现候选框的提取，每个滑动窗口位置生成9个候选窗口（不同尺度、不同宽高），提取对应9个候选窗口（anchor）的特征，用于目标分类和边框回归，与FastRCNN类似。

3、R-CNN和fast R-CNN均存在一个问题，那就是 由选择性搜索来生成候选框，这个算法很慢 。

4、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。

5、在用FasterRCNN做检测时发现用原始的VGG16作为特征提取器，将提取的特征送入RPN网络的检测结果对小目标、边界不清晰等成像效果不好的图像效果不好，因此想要通过改进特征提取来提高检测精度。

faster_rcnn识别结果为什么不是标注过的

faster_rcnn识别结果不是标注过的原因有数据集的限制、模型的限制、图像质量和处理方式。数据集的限制：FasterR-CNN模型的训练数据集的数量和质量都会影响其检测结果的准确性。

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。

后来又再此基础上做出了Fast R-CNN和Faster R-CNN，加快了R-CNN算法的速度。2017年又出现了Mask R-CNN将之前的算法拓展到了像素级的图像分割。

Faster R-CNN存在的问题是：特征图与原始图像是不对准的（mis-alignment），所以会影响检测精度。而Mask R-CNN提出了RoIAlign的方法来取代ROI pooling，RoIAlign可以保留大致的空间位置。

Faster RCNN 是什么 Faster RCNN 是在 Fast RCNN 的基础上，引入了 RPN 网络来代替 Fast RCNN 中的选择性搜索算法来生成候选区域，使得目标检测速度大大提高。