R-CNN

最新推荐文章于 2021-12-21 17:46:16 发布

林学森

最新推荐文章于 2021-12-21 17:46:16 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

分类专栏：人工智能与机器学习

本文链接：https://blog.csdn.net/xuesen_lin/article/details/116140484

R-CNN是深度学习在Object Detection领域的开创性工作，通过Region Proposal减少计算复杂度，将Detection转化为Classification问题。文章介绍了Selective Search算法作为Region Proposal的方法，以及R-CNN的处理流程，包括利用CNN提取特征、SVM分类器训练和位置修正。尽管R-CNN存在训练慢、磁盘空间占用大和推理速度慢的问题，但它为后续的Fast R-CNN等算法奠定了基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

以下文章摘录自：

《机器学习观止——核心原理与实践》

京东： https://item.jd.com/13166960.html

当当：http://product.dangdang.com/29218274.html

(由于博客系统问题，部分公式、图片和格式有可能存在显示问题，请参阅原书了解详情)

1.1 R-CNN

1.1.1 R-CNN简述

近几年深度学习在图像视觉识别领域取得了长足发展，涌现出了R-CNN、Fast R-CNN、Faster R-CNN、ResNet等一批代表当前最高水平的神经网络算法框架。这些算法框架本身是有关联和继承性的——后继者们以“长江后浪推前浪”的架势不断改进着前人的不足，使得视觉识别领域得以源源不断地革新换代。

图 ‑ 深度学习在Object Detection中的应用效果

诞生于2014年的R-CNN可以说是深度学习在Object Detection领域的开山之作。R-CNN的全称为“Region based Convolutional Neural Network”，其第一作者是曾任职于Microsoft Research的Ross Girshick。与之相对应的Paper名为《Rich feature hierarchies for accurate object detection and semantic segmentation》，并且作者在Github上公布了源码，有兴趣的读者可以