怎么做网站结构拓扑图,保山市建设厅网站,吉林省建设信息网官网入口,wordpress置顶 自定义文章类型文献阅读笔记 简介 题目 R-CNN minus R 作者 Karel Lenc Andrea Vedaldi 原文链接 https://arxiv.org/pdf/1506.06981.pdf 关键词 Null 研究问题 proposal generation在基于CNN的探测器中的作用#xff0c;以确定它是否是一个必要的建模组件。 R-CNN留下的几个有趣… 文献阅读笔记 简介 题目 R-CNN minus R 作者 Karel Lenc Andrea Vedaldi 原文链接 https://arxiv.org/pdf/1506.06981.pdf 关键词 Null 研究问题 proposal generation在基于CNN的探测器中的作用以确定它是否是一个必要的建模组件。 R-CNN留下的几个有趣的问题 第一个问题是CNN是否包含足够的几何信息来定位对象或者后者是否必须由外部机制如区域建议生成进行补充。 第二个问题是R-CNN管道是否可以简化 第三个问题是R-CNN是否可以加速。 通过认识到卷积特征可以在不同区域之间共享而不是重新计算空间金字塔池spp中的速度已经大大加快了。然而SPP无法生成非常精确的区域。 研究方法 通过设计和评估一个检测器来实现这一点该检测器使用一个小的区域生成方案每个图像都是常量。结合SPP这将产生一个优秀的和快速的检测器不需要用CNN本身以外的算法处理图像。还通过将几个学习步骤集成到一个算法中以及通过提出一些加速检测的改进简化了基于CNN的检测器的训练。 Simplifying and streamlining R-CNN 放弃候选区域与基于边界检测的cnn相结合 放弃支持向量机采用softmax 研究结论 尽管在卷积层而不是全连接层中当前CNN确实包含大量用于精确目标检测的几何信息。这一发现开启了建立完全依赖CNN的最先进的目标探测器的可能性消除了区域建议生成方案如选择性搜索并导致集成、简单和更快的探测器。 创新不足 当前的方案可能会错过图像中的小对象。 额外知识 性能检测器基于手工制作的图像表示如SIFT、HOG和Fisher矢量和结构化输出回归从滑动窗口到可变形零件模型的组合。 GT boxes、放弃候选区域那块没看懂码住
