文章目录
-
- Fast R-CNN 结构
- 讲解一-提取特征,候选区选择,分类,回归
- 讲解二-ROI Pooling
- 讲解三-Fast R-CNN与R-CNN的区别
- 讲解四-Fast R-CNN结果分析
Fast R-CNN 结构
![](https://img.laitimes.com/img/_0nNw4CM6IyYiwiM6ICdiwiIwczX0xiRGZkRGZ0Xy9GbvNGL2EzXlpXazxyaGdlW5pkMYtWNXllZ0dkYwFjMMBjVtJWd0ckW65UbM5WOHJWa5kHT20ESjBjUIF2X0hXZ0xCMx81dvRWYoNHLrdEZwZ1Rh5WNXp1bwNjW1ZUba9VZwlHdssmch1mclRXY39CXldWYtlWPzNXZj9mcw1ycz9WL49zZuBnL0UDO1ADOygDMxITNwAjMwIzLc52YucWbp5GZzNmLn9Gbi1yZtl2Lc9CX6MHc0RHaiojIsJye.png)
讲解一-提取特征,候选区选择,分类,回归
详见R-CNNhttps://blog.csdn.net/milk_and_bread/article/details/106230275
讲解二-ROI Pooling
总结框的大小不同,但都划分为9块,最终池化也得到3*3的特征图。
并且SPP-Net的金字塔池化层是对同一个图片池化,得到不同尺度的特征图,并迭加。较比而言,Fast R-CNN统一了特征图的大小,并且有金字塔池化层的对多个特征图迭加的效果。
讲解三-Fast R-CNN与R-CNN的区别
讲解四-Fast R-CNN结果分析
S,M,L:分别是卷积的大小的规模(小中大)