You can not select more than 25 topics Topics must start with a chinese character,a letter or number, can include dashes ('-') and can be up to 35 characters long.
 
 
 
 
 
guan_wen_cong baf54dc699 Add FasterRCNN 2 years ago
ascend310_infer Add FasterRCNN 2 years ago
scripts Add FasterRCNN 2 years ago
src Add FasterRCNN 2 years ago
Dockerfile Add FasterRCNN 2 years ago
README.md Add FasterRCNN 2 years ago
README_CN.md Add FasterRCNN 2 years ago
default_config.yaml Add FasterRCNN 2 years ago
default_config_101.yaml Add FasterRCNN 2 years ago
default_config_152.yaml Add FasterRCNN 2 years ago
eval.py Add FasterRCNN 2 years ago
export.py Add FasterRCNN 2 years ago
mindspore_hub_conf.py Add FasterRCNN 2 years ago
postprocess.py Add FasterRCNN 2 years ago
requirements.txt Add FasterRCNN 2 years ago
train.py Add FasterRCNN 2 years ago

Faster R-CNN是一个两阶段目标检测网络,该网络采用RPN,可以与检测网络共享整个图像的卷积特征,可以几乎无代价地进行区域候选计算。整个网络通过共享卷积特征,进一步将RPN和Fast R-CNN合并为一个网络。在Faster R-CNN之前,目标检测网络依靠区域候选算法来假设目标的位置,如SPPNet、Fast R-CNN等。研究结果表明,这些检测网络的运行时间缩短了,但区域方案的计算仍是瓶颈。 Faster R-CNN提出,基于区域检测器(如Fast R-CNN)的卷积特征映射也可以用于生成区域候选。在这些卷积特征的顶部构建区域候选网络(RPN)需要添加一些额外的卷积层(与检测网络共享整个图像的卷积特征,可以几乎无代价地进行区域候选),同时输出每个位置的区域边界和客观性得分。因此,RPN是一个全卷积网络,可以端到端训练,生成高质量的区域候选,然后送入Fast R-CNN检测。

Python Markdown Shell C++ Text

Contributors (1)