FAST-RCNN 和 Faster-RCNN
上面是Fast-RCNN的基本流程
输入有两部分:1)原图。2)Selective Search
Fast-RCNN相比RCNN的优点就在于,只经过一次的前向传播,共享Feature Map,大大加快了速度。
对于各个Region Proposal,我的理解是,从Feature Map里找到相应的区域,再把该输入值投放到ROI Pooling当中,生成一样大小的Feature Vector。
最后利用这些Feature Vector,投入FC进行训练(包括Softmax和regressor两方面的优化)和测试。
上图是Faster-RCNN的流程图
Faster-RCNN与Fast-RCNN的不同点在于,它用RPN网络代替了 SS,进一步加快了速度。可以把它粗糙地看成(RPN+fast-RCNN)。
Faster-RCNN的工作流程主要是:
首先训练RPN网络,训练出一个粗略的检测器。
再利用训练好的RPN网络,提取候选区域,投入Fast-RCNN当中。
关于RPN网络。
假如它的最后一层Feature Map为 60x40x256 我们利用3x3卷积对于其中的每一位置作卷积,因为每个Feature Map都产生一个维度。所以总共就会有256个维度。这256个维度再继续连接两个全连接层以及CLC和REG层。