RNetFastRCNN你都掌握了吗？一文总结目标检测必备经

　　欢迎关注计算机视觉研究院
　　计算机视觉研究院专栏
　　作者：EdisonG
　　微信公众号：计算机视觉研究院
　　转自《机器之心》
　　本文将分3期进行连载，共介绍16个在目标检测任务上曾取得SOTA的经典模型。
　　第1期：RCNN、SPPNet、FastRCNN、FasterRCNN、OHEM
　　第2期：RFCN、MaskRCNN、YoLo、SSD、FPN、RetinaNet第3期：RRCdetection、CornerNet、M2Det、FOCS、ObjectBox
　　您正在阅读的是其中的第1期。前往SOTA！模型资源站（sota。jiqizhixin。com）即可获取本文中包含的模型实现代码、预训练模型及API等资源。
　　本期收录模型速览
　　模型SOTA！模型资源站收录情况模型来源论文RCNNhttps：sota。jiqizhixin。comprojectrcnn2
　　收录实现数量：2
　　支持框架：MindSpore
　　RichfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentationSPPNethttps：sota。jiqizhixin。comprojectsppnet
　　收录实现数量：3
　　支持框架：PyTorch，MindSpore等
　　SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognitionFastRCNNhttps：sota。jiqizhixin。comprojectfastrcnn2
　　收录实现数量：27
　　支持框架：PyTorch，TensorFlow等
　　FastRCNNFasterRCNNhttps：sota。jiqizhixin。comprojectfasterrcnn2
　　收录实现数量：16
　　支持框架：PyTorch，TensorFlow等FasterRCNN：TowardsRealTimeObjectDetectionwithRegionProposalNetworksOHEMhttps：sota。jiqizhixin。comprojectohem
　　收录实现数量：5
　　支持框架：PyTorch，TensorFlowTrainingRegionbasedObjectDetectorswithOnlineHardExampleMining
　　本文回顾目标检测中必备的TOP模型，包括onestage模型和twostage模型。
　　一、twostage模型
　　图1。RCNN目标检测系统概览
　　图2。一个带有空间金字塔池层的网络结构。这里256是conv5层的过滤器编号，conv5是最后一个卷积层
　　图3。FastRCNN架构。将一个输入图像和多个感兴趣的区域（RoI）输入到一个全卷积网络。每个ROI汇集成一个固定大小的特征图，然后通过全连接层（FCs）映射成一个特征向量。该网络对每个RoI有两个输出向量：softmax概率和每类boundingbox回归偏移。该架构采用多任务损失法进行端到端训练
　　图4。RPN结构
　　图5。FasterRCNN是一个用于物体检测的单一、统一的网络。RPN模块作为这个统一网络的注意力
　　图6。OHEM训练过程，给定一个图像和选择性搜索的RoI，conv网络计算出一个conv特征图。在（a）中，只读RoI网络对特征图和所有RoI（绿色箭头所示）进行前向传递。然后，HardRoI模块使用这些RoI损失来选择B个样本。在（b）中，这些hard样本被RoI网络用来计算前向和后向传递（红色箭头所示）
　　THEEND
　　转载请联系本公众号获得授权计算机视觉研究院学习群等你加入！
　　计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重研究。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
　　计算机视觉研究院公众号IDComputerVisionGzq