R-CNN算法_贝叶斯R语言

大家好，又见面了，我是你们的朋友全栈君。

**

R-CNN算法优化策略

** 1，两阶段检测的进阶模型

在这里插入图片描述

首先进行数据处理，然后输入backbone得到特征图，然后进入RPN中提取候选区域roi，然后再ROI Align提取特争，然后送入BBox Head进行进一步的回归和分类。 主要介绍方面

在这里插入图片描述

在这里插入图片描述

第一步主要解决多尺度问题，预测物体大小 第二部算是fastRNN的局部表示图主要用最后一层对下一步进行输入。 第三步卷积神经网络存在下采样，在不同深度存在不同特征， 第四步fpn将不同层的特征相互融合，将特征展现得更加全面。

在这里插入图片描述

骨干网络和fpn相对独立，然后我们以resnet的骨干网络为例，蓝色部分resnet网络结构输出层从浅至深命名为c2–c5然后每层经过一个1*1的卷积然后在进行上采样，然后和上一层的卷积相加，然后每一层的特征相互融合。

在这里插入图片描述

在这里插入图片描述

第一个变化就是anchor，在fastRCNN是在一张特征图里产生的，但是现在fpn会生成多张特征图，并且尺寸还不一样，这时我们可以将面积不同的anchor分配到不同的类别中。

在这里插入图片描述

多个特征图用多个head来去预测不同尺度上的预选框。

在这里插入图片描述

大的ROI放进深的层次去学习，小的ROI放进浅的ROI学习 总结：

在这里插入图片描述

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/196195.html原文链接：https://javaforall.cn