R-CNN
2818 ワード
Abstract
R-CNN.
Region with Convolutional Neuron Networkは、領域を設定し、CNnsを利用してオブジェクト検出を行うニューラルネットワークです.
Input画像で選択的探索を行い,2000個の候補領域を抽出した.
生成された候補領域をCNN構造に入れるために,これを固定サイズ(warped region)にし,その後,2000個の物体を予備訓練されたCNNネットワークに入れて特徴ベクトルを抽出した.特徴ベクトルについては,仮想マシンを用いて各クラスのscoreを計算して分類し,Regressionsにより物体の位置を固定ボックスとして予測した.
Warped region
Selective Search
Bounding box regression
位置決めによってより正確なオブジェクトが見つかったバインドボックスを使用すると、より正確になります.
boundingbox回帰の目的は、実際のboxと同様の推奨boxを作成することである.
Training
事前に訓練されたCNN構造を用いてILSVVRC 2012分類データセットを実現
Fine-tuning
Object category classifiers
-クラスごとにLinearsvmを構築して学習します.
Result(VOC 2010-12)
結果
:R-CNNは、選択的検索を使用したUVA、Regionletよりも優れたパフォーマンスを示しています.さらに,bb回帰学習を用いたモデルはより良い性能を有することが分かった.
ILSVRC 2013
既存システムと比較して性能上の優位性を示した.箱の筋から見ると、箱は上にある.
Visualizaing learned features
CNNは何かの可視化を学んだAblation Studies
VOC 2007 test
-微調整するかどうか
学習するかどうか-b-b-box回帰
-DPM(ベースライン)との比較
결과: fine tuning과 b-box regression 학습은 더 좋은 성능을 만들어냈다.
他の2つのCNN構造の比較試験.
결과
: O-Net(VggNet)의 결과가 더 좋다.
복잡도가 더 크기 때문이다. (CNN으로부터 얻은 피쳐의 표현 능력이 좋아짐)
Semantic segmentation
Summary
1.Region Projectionアルゴリズムから得られた結果とCNNによって代表性が向上したためである.
2.画像の固定化により画像が破損するという欠点がある.
3.2000ヵ所をそれぞれCNNで運営しているが、勉強時間が長いのが短所だ.
https://arxiv.org/pdf/1311.2524.pdf
https://www.youtube.com/watch?v=X4TxIPuYu0E
Reference
この問題について(R-CNN), 我々は、より多くの情報をここで見つけました https://velog.io/@cosmicdev/R-CNNテキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol