参考:https://blog.csdn.net/bea_tree/article/details/51880175
Abstract
本文的两个创新点:
(1)SDP:scale-dependent pooling,根据candinate object proposals的尺度,去不同的特征层上来提取特征。类似SSD
(2)CRC:cascaded rejection classifers 级联的负样本排除分类器。使用卷积特征来判定其为负样本
1. Introduction
(1)Fast RCNN对小目标不友好,因为直接对最后一层做池化,最后一层对于小目标可能包含的信息较少
(2)因为小目标在浅层产生较强的相应,大目标在高层产生较强的相应,所以创造SDP,根据candinate proposal region的尺度,从不同的卷积层中提取特征。(这是SSD的前身)。把特征送到多个尺度相关的目标分类器中
(3)CSP:
通过卷积层级联得到的级联分类器,前面的层是弱分类器。前几层得到的特征语义信息不强,难以判断是哪个类别,但是却可以用来排除简单的样本。这样我们就使用了全部层的卷积特征
3.Method
(1)SDP
根据ROIs的尺度,去不同的层上提取特征
4.Cascaded Rejection Classifliers 相当于硬采样,类比Faster RCNN的rpn,只挑选前面N个得分高的样本
(1)Fast RCNN的主要计算瓶颈之一是对每个ROIs都要用多个fc layer进行计算。上千个ROIs就会产生大量的计算。
5.结果
CRC的效果:
(1)在保持较高的Recall时,有效的较少了候选样本的个数,从而减少后续计算量。
但是,我感觉经过CRC后Recall太低。
(2)
来源:CSDN
作者:大梦初醒123
链接:https://blog.csdn.net/qq_32425195/article/details/104291359