論文鏈接
- fast R-CNN: https://arxiv.org/pdf/1504.08083.pdf
p.s. 鑑於斯坦福大學公開課裏面模糊的 R-CNN 描述，這邊決定精讀對應的論文並把心得和摘要記錄於此。
前言
在機器視覺領域的物體識別分支中，有兩個主要的兩大難題需要解決：
- 目標圖片裏面含了幾種“物體”，幾個“物體”？
- 該些物體分別坐落於圖片的哪個位置？
而 R-CNN 的發明就是用來解決第二個問題的工具，第一個問題不屬於這裏的討論範圍，故略過。R-CNN 如果去除時間和計算能力的因素不看，是一個挺好的物體位置定位方法，可以根據那些被估測出可能包含目標物體的畫面，精確標定像素格邊框的位置，但是現實上最初階的 R-CNN 方法佔用了大把的時間和計算資源，是無法在視頻中實時檢測物體位置的，原因如下：
- Multi-stage pipeline（多個互相獨立的通道）
... more ... - Slow training and detecting time
... more ...
而新的方法肯定必須圍繞着上面幾個問題去做修正，並且使用改進過的方法後，已經可以初步的應用在實時視頻檢測的場景中。至於改進的方法在 fast R-CNN 確立之前還有一個過度的方法：SPPnets（Spatial Pyramid Pooling networks）。