RCNN

• 2014年提出R-CNN网络，该网络不再使用暴力穷举的方法，而是使用候选区域方法（region proposal method）创建目标检测的区域来完成目标检测的任务，R-CNN是以深度神经网络为基础的目标检测的模型 ，以R-CNN为基点，后续的Fast R-CNN、Faster R-CNN模型都延续了这种目标检测思路。

算法流程

• 候选区域生成：使用选择性搜索（Selective Search）的方法找出图片中可能存在目标的侯选区域
• CNN网络提取特征：选取预训练卷积神经网网络（AlexNet或VGG）用于进行特征提取。
• 目标分类：训练支持向量机（SVM）来辨别目标物体和背景，对每个类别，都要训练一个二元SVM。
• 目标定位：训练一个线性回归模型，为每个辨识到的物体生成更精确的边界框。

算法总结

• 训练阶段多，训练耗时： 微调CNN网络+训练SVM+训练边框回归器。

• 预测速度慢: 使用GPU, VGG16模型处理一张图像需要47s。

• 占用磁盘空间大：5000张图像产生几百G的特征文件。

• 数据的形状变化：候选区域要经过缩放来固定大小，无法保证目标的不变形

Ref

itcastAI7期系列课程

标签：SVM,阿刚,训练,--,网络,目标,CNN,RCNN
来源： https://blog.csdn.net/ag_ndqn/article/details/120303203