定位:

定位、识别;目标检测,FasterRCNN

针对分类利用softmax损失函数,针对定位利用L2损失函数(或L1、回归损失等)

 

人关节点检测

定位、识别;目标检测,FasterRCNN

定位、识别;目标检测,FasterRCNN

针对连续变量和离散变量需要采用不同种类的损失函数。

 

识别:

定位、识别;目标检测,FasterRCNN

解决方案:

1.利用滑动窗口,框的大小和位置无法确定,目标检测需要巨大的计算量,pass

定位、识别;目标检测,FasterRCNN

2.备选区域

定位、识别;目标检测,FasterRCNN

 

定位、识别;目标检测,FasterRCNN

 

 利用区域选择网络ROI,将ROI处理成固定尺寸(与下游网络输入尺寸匹配),经过CNN后利用SVM分类(RCNN也会对输入的边界作补偿或修正)

基于区域选择网络也可以作为修正boundingbox的回归

 RCNN的问题:

定位、识别;目标检测,FasterRCNN

Fast RCNN:

先让整张图片通过一些卷积层得到整张图片的高分辨率特征映射,利用备选区域(可学习)的算法(如搜索),基于备选区域投影到卷积特征映射,之后从卷积特征映射提取属于备选区域的卷积块,而不是直接截取备选区域,将从卷积映射提取的图像块进行reshape,最后全连接分类

定位、识别;目标检测,FasterRCNN

 在训练时做全局反向传播学习

定位、识别;目标检测,FasterRCNN

 

花费了大量时间在计算备选区域上

定位、识别;目标检测,FasterRCNN

 

Faster rcnn:RoI Pooling

定位、识别;目标检测,FasterRCNN

 在fast rcnn的基础上插入RPN(Region Proposal Network)来学习预测备选区域

 定位、识别;目标检测,FasterRCNN

 

加强理解:https://cloud.tencent.com/developer/news/281788

https://blog.csdn.net/hunterlew/article/details/71075925

详解Faster-RCNN:https://zhuanlan.zhihu.com/p/31426458

 

YOLO/SSD:

定位、识别;目标检测,FasterRCNN

定位、识别;目标检测,FasterRCNN

 

 

 Mask-RCNN可以用做姿态估计,语义分割,目标检测

 

 

 

 

1