赞
踩
回顾
R-CNN ==> 1image/mni
Fast R-CNN ==> 1~2 fps
作用:提取特征(一次)
结构:ZF / Resnet / VGG16(13 conv + 13 Relu + 4 Pooling)
输出 Batchsize x Channel x H/16 x W / 16 (VGG16举例)
backbone获取特征图信息,然后用RPN网络筛选候选框和ROIPooling输出相同尺寸的特征图,整个faster rcnn如下图
Test 网络结构
RPN目标
Anchor
Train 网络结构
Train网络结构中RPN的Test两条支线如下
faster RCNN 网络结构手绘制版
we hope a -> t,
but actually a generate p.
So as long as p -> t,
we get a good result.
So as long as the offset of
p-a -> t-a
We get a good result
So here we hope t. -> t.*
RPN训练细节
Faster RCNN = RPN + Fast R-CNN
问题
rpn需要训练,fast rcnn也需要训练;共用的话,训练rpn时backbone变了,用rpn的数据训练fast rcnn时,backbone又变了,会导致rpn不准确
weight share(权重共享) RPN包含backbone,Fast rcnn也包含backbone,Fast rcnn需要用到RPN的输出
训练四阶段
分布联合训练
rpn的region proposal区域建议用于fast rcnn训练,backbone更新,fast rcnn的专有网络也更新
附:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。