完美_并不美

在2012年AlexNet问世以为，卷积神经网络在图像分类识别，目标检测，图像分割等方面得到广泛应用，后续大牛们也提出了很多更优越的模型，比 如VGG, GoogLeNet系列，ResNet, DenseNet等。 伴随着精度的提升，对应模型的深度也随着增加，从AlexNet的…

VGGNet的提出，说明了通过提升网络模型的深度，可以提高网络的表达能力，从AlexNet的7层，到VGGNet的16或者19层，再到GoogLeNet的22层。可后来我们发现深度CNN网络达到一定深度后再一味地增加层数并不能带来进一步地分类性能提高，反而会招致网络收敛变得更慢…

GoogLeNet,作为 ILSVRC-2014的分类和检测任务的冠军，相比于当年分类任务第二名VGG Net的对于小卷积层（3x3）的简单堆叠，GoogLeNet提出更具创意的Inception模块，虽然网络结构比较复杂，但是模型参数量却降低了，仅为AlexNet的1/12,…

相关完整代码以及对应不同框架下训练好的模型参数百度网盘下载，请关注我的公众号 AI计算机视觉工坊,回复【代码】获取。本公众号不定期推送机器学习，深度学习，计算机视觉等相关文章，欢迎大家和我一起学习，交流。

相关本章完整代码以及VOC2102数据集百度网盘下载，请关注我自己的公众号 AI计算机视觉工坊,回复【代码】和【数据集】获取。本公众号不定期推送机器学习，深度学习，计算机视觉等相关文章，欢迎大家和我一起学习，交流。

在此之前，我们主要实现了相关数据的解析，预处理等准备工作，以及对应Faster RCNN的相关网络模块搭建。接下来我们接着实现其他部分。 在上一篇中，我们实现了一个自定义的ROIPooling层，这次我们看下如何建立RPN与ROIpool层之间的联系。下面，我们看下如何代码实现…

我们使用VGG16网络模型的卷积模块（去掉最后一个池化层）作为共享网络，用来进行提取feature map。具体代码如下： 1. RPN网络回归层的损失函数 2. RPN网络分类层的损失函数 3. 整个网络最后的回归层对应的损失函数 4. 整个网络最后的分类层对应的损失函数 至…

之前，我们介绍了Fatser R-CNN模型，在接下来的几篇文章，将通过Keras框架来完整实现Fatser R-CNN模型。数据集我们采用经典的VOC数据集。 对于目标检测任务，只需要用到Annotations，ImageSets，JPEGImages这三个目录。 1. An…

【目标检测算法系列】二、SPP-Net算法. 这次，我们紧接着，继续看下 Faster R-CNN。 上次我们讲到Fast R-CNN时，说过Fast R-CNN虽然已经对之前的R-CNN系列算法做了很多改进，不管是速度还是精度，都得到了一个很大的提升，但是还有一个可以优化的地…