R-CNN

R-CNN

測試過程

這位部落客寫的真好，沒有找到源頭，這裡地址也是轉載的https://blog.csdn.net/weixin_41923961/article/details/80246244

Fast-RCNN

Fast R-CNN

ROI池化層解釋

關於ROI池化層解釋https://blog.csdn.net/gusui7202/article/details/80651416 1.將圖片用選擇搜索演算法（selective search）得到2000個候選區域（region proposals）的坐標資訊。

2.將整張圖片歸一化224*224輸入到CNN ，整張圖片送入CNN。

3.圖片然後經過5層卷積操作後，得到一張特徵圖。（feature maps），利用開始得到的坐標（步驟1）通過一定的映射關係轉換為對應特徵圖上的坐標，截取對應的候選區域。

4.每個候選區經過RoI pooling後提取到固定長度的特徵向量如上圖3*3的特徵，送入全連接層。

5.然後分別經過為21和84維的全連接層（並列的，前者是分類輸出，後者是回歸輸出）。一個為多個目標類生成softmax概率估計，而另一個為每個目標類生成4個實數值。這4個數字表示每個目標的邊界框的位置。

優點不需要先分類再回歸（R-CNN 中的步驟5和6）,將這兩個任務合併 Fast R-CNN通過CNN直接獲取整張影像的特徵圖，再使用RoI Pooling Layer在特徵圖上獲取對應每個候選框的特徵，避免了R-CNN中的對每個候選框串列進行卷積（耗時較長）

Faster R-CNN 取代selective search，直接通過一個網路學習【Region Proposal Network (RPN)】生成待檢測區域。

挖掘可靠的proposal