NO.1 Faster R-CNN

阅读时间：2022-06-29

Abstract:

摘要：最先进的目标检测网络依赖于区域建议算法来假设目标位置。 SPPnet [1] 和 Fast R-CNN [2] 等进步减少了这些检测网络的运行时间，暴露了区域提案计算的瓶颈。在这项工作中，我们引入了一个区域提议网络 (RPN)，它与检测网络共享全图像卷积特征，从而实现几乎无成本的区域提议。 RPN 是一种全卷积网络，可同时预测每个位置的对象边界和对象性分数。 RPN 经过端到端的训练以生成高质量的区域建议，Fast R-CNN 使用这些区域建议进行检测。我们通过共享 RPN 和 Fast R-CNN 的卷积特征进一步将 RPN 和 Fast R-CNN 合并到一个网络中——使用最近流行的具有“注意力”机制的神经网络术语，RPN 组件告诉统一网络去哪里看。对于非常深的 VGG-16 模型 [3]，我们的检测系统在 GPU 上的帧速率为 5fps（包括所有步骤），同时在 PASCAL VOC 2007、2012 和MS COCO 数据集，每张图片只有 300 个建议。在 ILSVRC 和 COCO 2015 比赛中，Faster R-CNN 和 RPN 是多个赛道第一名获奖作品的基础。代码已公开。

Keywords:

Index Terms：Object Detection, Region Proposal, Convolutional Neural Network.

Article skeleton:

Related images:

In the end

阅读时间：2022-06-29