用R检测目标？

Question

有线电视新闻网实际上是做什么的？是否就像使用CNN提取的特征来检测指定窗口区域中的类？对此有任何tensorflow实现吗？

Answer 1

美国有线电视新闻网正在使用以下算法：

1. 获取用于对象检测的区域建议(使用选择性搜索)。
2. 对于每个区域，从图像中对区域进行裁剪，并对其进行彻底的CNN分类。

有更先进的算法，建立在此基础上，如快速R和更快的R.

fast-：

1. 通过CNN播放整个图像
2. 对于来自区域的每个区域，建议使用"roi轮询“层提取区域，然后对对象进行分类。

更快的R-CNN：

1. 通过CNN播放整个图像
2. 使用使用CNN检测到的特征，查找区域提案，使用对象建议网络。
3. 对于每个对象方案，使用"roi轮询“层提取区域，然后对对象进行分类。

有很多植入在tensorflow，特别是更快的recent，这是最近的变体，只是谷歌更快的recent。

祝好运

Answer 2

R-CNN是所有上述算法的爸爸算法，它为研究者在此基础上构建更复杂、更好的算法提供了途径。我想解释一下trying和其他变体。

R-CNN，或基于区域的卷积神经网络

R由三个简单的步骤组成：

• 使用一种称为选择性搜索的算法扫描输入图像以寻找可能的对象，生成~2000区域提案。
• 在每个区域建议的基础上运行一个卷积神经网络(CNN)。
• 获取每个CNN的输出，并将其输入a) SVM对区域进行分类，b)线性回归器来收紧对象的边界框(如果存在这样的对象)。

​

​

快速R-CNN：

Fast R-CNN立即被R跟踪。通过以下几点，Fast R-CNN更快更好：

• 在提出区域之前对图像执行特征提取，从而只对整个图像运行一个CNN，而不是2000年CNN在2000多个重叠区域上运行
• 用softmax层代替支持向量机，从而扩展神经网络进行预测，而不是建立新的模型。

​

​

从直觉上看，它有很大的意义，删除2000 conv层，而不是采取一次卷积，并在上面的盒子。

更快的R-CNN：

快速RPN的缺点之一是选择搜索速度慢，快速RPN引入了一种称为区域提议网络(RPN)的算法。

这是RPN的工作原理：

在初始CNN的最后一层，3x3滑动窗口在特征图上移动，并将其映射到每个滑动窗口位置的较低维(例如256-d)，它根据k个固定比率锚框(默认边界框)生成多个可能的区域。

每个区域的提案包括：

• 该地区的“客观”得分
• 4坐标表示区域的边界框，换句话说，我们在我们的上一个特征图中查看每个位置，并考虑围绕它的k个不同的盒子:一个高的盒子，一个宽的盒子，一个大的盒子，等等。

对于每个框，我们输出是否认为它包含一个对象，以及该框的坐标是什么。这就是在一个滑动窗口位置上的样子：

​

​

2k分数表示“对象”上的每一个k个包围框的软最大概率。注意，尽管RPN输出包围框坐标，但它并不试图对任何潜在对象进行分类:它的唯一工作仍然是提议对象区域。如果锚盒的“客观性”得分超过某一阈值，则将该框的坐标作为区域建议传递。

一旦我们有了我们的区域提案，我们就直接把它们输入实质上是快速R-CNN的地方。我们添加了一个池层，一些完全连接的层，最后是一个softmax分类层和包围盒回归器。从某种意义上说，更快的RPN =RPN+快速RPN。

​

​

链接某些Tensorflow实现：

TF

https://github.com/CharlesShang/FastMaskRCNN

您可以找到很多Github的实现。

P.S.我从乔伊斯·徐媒体博客上借了很多资料。。