百科类网站建设,软件企业,wordpress 评论验证码,国家建设部官方网站赵宏彦Fast R-CNN算法流程 对比与R-CNN其在第二步时并没有将所有的候选区域进行逐个的CNN特征提取#xff0c;而是直接将整个图片进行一次CNN特征提取#xff0c;让后再将候选区映射到feature map上。可想而知速度得到了提升。这里的ROI pooling层缩放到7x7就是将候选区域对应的特征…Fast R-CNN算法流程 对比与R-CNN其在第二步时并没有将所有的候选区域进行逐个的CNN特征提取而是直接将整个图片进行一次CNN特征提取让后再将候选区映射到feature map上。可想而知速度得到了提升。这里的ROI pooling层缩放到7x7就是将候选区域对应的特征图在各个channel上对横纵坐标进行均分这样就得到了49个区域再对每个区域进行maxpooling即得到了7x7的特征图。
分类器 经过全连接层后直接采用softmax进行类别预测。
边界框回归器 经过全连接层后进行边界框参数的回归。
具体如下图 损失函数 损失主要是分类损失和边界框回归损失是两类损失的平衡参数 。 Fast R-CNN框架 总结
相比于R-CNN其在对候选区域的特征提取部分进行了优化并且将R-CNN中的类别预测边界框预测以及边界框预测调整进行了合并提高了计算速度。
