R-FCN:基于区域的全卷积网络进行物体检测,计算机外文翻译,车辆检测
文档价格: | 100 金币 立即充值 | 文章语言: | 英语-中文 | 原文出处: | 请在文档内查看 | |||||
译文字数: | 5392 字 (节选翻译) | 译文格式: | Doc.docx (Word) | 更新时间: | 2018-02-01 |
R-FCN:基于区域的全卷积网络进行物体检测,计算机外文翻译,车辆检测,抗遮挡,深度学习,全卷积网络
译文(字数:5392):
摘要
我们提出了一个基于区域的全卷积网络进行精确有效的物体检测。与之前的基于区域的神经网络如Fast/Faster R-CNN这些应用于每一个区域子网络要花费数百次计算的网络相比,我们都区域检测是基于整幅图片的全卷积计算。为此,我们使用了一个方位敏感得分图来权衡在图像分类中的平移不变性和在物体检测中的平移变换性的取舍的两难境地。因此我们的的方法可使用全连接卷积网络作为图片分类的架构,如用于物体检测的最新的残差网络。我们在PASCAL VOC的数据集上使用101层的残差网络达到了很好的效果(2007的数据集上取得83.6%的平均正确率)。同时,我们每张图片的检测仅使用了170ms的时间,比Faster R-CNN检测快了2.5-20倍左右。
简介
比较流行的关于物体检测的深度网络可以根据感兴趣区域池化层分成两个子网络:(1)独立于ROI的共享的、全卷积的子网络。(2)不共享计算的ROI-wise子网络。这种分类来源于较早之前的分类框架,例如:AlexNet和VGGNets,他们由两个子网组成,一个是以空间池化层结束的卷积子网,一个是若干个全连接层。因此,空间池化层很自然的在本实验中转变成了感兴趣池化层。
但是最近的关于艺术图片分类的网络,例如残差网络和GoogleNets都是用全连接的设计。通过分析,使用所有的卷积层去构建一个进行物体检测的共享的卷积网络是一件十分自然的事,而不把ROI-wise 子网作为隐藏层。
原文(未统计字数):