北京发布最新消息今天百度推广和优化有什么区别

文献阅读笔记

简介

题目

R-CNN minus R

作者

Karel Lenc Andrea Vedaldi

原文链接

https://arxiv.org/pdf/1506.06981.pdf

关键词

Null

研究问题

proposal generation在基于CNN的探测器中的作用，以确定它是否是一个必要的建模组件。

R-CNN留下的几个有趣的问题：

第一个问题是CNN是否包含足够的几何信息来定位对象，或者后者是否必须由外部机制（如区域建议生成）进行补充。

第二个问题是R-CNN管道是否可以简化

第三个问题是R-CNN是否可以加速。

通过认识到卷积特征可以在不同区域之间共享，而不是重新计算，空间金字塔池（spp）中的速度已经大大加快了。然而，SPP无法生成非常精确的区域。

研究方法

通过设计和评估一个检测器来实现这一点，该检测器使用一个小的区域生成方案，每个图像都是常量。结合SPP，这将产生一个优秀的和快速的检测器，不需要用CNN本身以外的算法处理图像。还通过将几个学习步骤集成到一个算法中，以及通过提出一些加速检测的改进，简化了基于CNN的检测器的训练。

Simplifying and streamlining R-CNN：

放弃候选区域：与基于边界检测的cnn相结合

放弃支持向量机采用softmax

研究结论

尽管在卷积层而不是全连接层中，当前CNN确实包含大量用于精确目标检测的几何信息。这一发现开启了建立完全依赖CNN的最先进的目标探测器的可能性，消除了区域建议生成方案，如选择性搜索，并导致集成、简单和更快的探测器。

创新不足

当前的方案可能会错过图像中的小对象。

额外知识

性能检测器：基于手工制作的图像表示（如SIFT、HOG和Fisher矢量）和结构化输出回归（从滑动窗口到可变形零件模型）的组合。

GT boxes、放弃候选区域那块没看懂（码住）