摘要：先看效果 仅仅用了 50张 训练照片，训练了 1000步 之后进行测试，发现效果好得令人称奇。 之前用YOLO训练很难收敛。（虽然two stage方法精度更高，这种比较虽然有些不合理） Mask RCNN沿用了Faster RCNN的思想，特征提取采用ResNet FPN的架构，另外多加了一个Ma 阅读全文

摘要：Faster RCNN Fast RCNN基本实现端对端（除了proposal阶段外），下一步自然就是要把proposal阶段也用CNN实现（放到GPU上）。这就出现了Faster RCNN，一个完全end to end的CNN对象检测模型（现在是完全的端对端的网络了）。 论文提出：网络中的各个卷积 阅读全文

摘要：回顾 RCNN与Sppnet 可见，Sppnet依然是用了SVM加bbox regression这个套路。 创新点 1 联合训练 实现大部分end to end训练(提proposal阶段除外)： 所有的特征都暂存在显存中，就不需要额外的磁盘空。 joint training （SVM分类，bbox 阅读全文

摘要：首先做一个补充： 在RCNN中CNN阶段的流程大致如下： SPP创新点 一张图图片会有~2k个候选框，每一个都要单独输入CNN做卷积等操作很费时。SPP net提出：能否在feature map上提取ROI特征，这样就只需要在整幅图像上做一次卷积。 虽然总体流程还是 Selective Search 阅读全文

摘要：RCNN是将CNN引入目标检测的开山之作 一、创新点 1、引入Selective Search，预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上(采用CNN)提取特征，进行判断。 2、预训练：使用两个数据库： 一个较大的识别库（ImageNet ILSVC 2012）：标定每张图片中物体 阅读全文