从RCNN到fast RCNN,再到本文的faster RCNN,目标检测的四个基本步骤(候选区域生成,特征提取,分类,位置精修)终于被统一到一个深度网络框架之内。所有计算没有重复,完全在GPU中完成,大大提高了运行速度。 faster RCNN可以简单地看做“区域生成网络+fast RCNN“的系统,用区域生成网络代替fast RCNN中的Selective Searc...
一种基于深度强化学习的faster-rcnn目标物体检测与识别方法,称为deep-rl-faster-rcnn目标物体检测方法,采用深度强化学习的经验池来保存每个时刻的区域生成网络状态,然后采用卷积门控循环单元输出两个动作,并采用随机策略选择执行相应的动作,同时采用自定义的非极大值抑制方法去除冗余的检测框,最后获得与标注框最接近的检...
针对目前应用于机场视频监控中的卷积神经网络方法存在小目标物体识别准确率较低的问题,本文提出了一种基于Faster-RCNN并结合多尺度特征融合与在线难例挖掘的机场场面小目标检测算法.该算法采用ResNet-101作为特征提取网络,并在该网络基础上建立了一个带有上采样的"自顶向下"的特征融合模块,以生成语义信息更加丰富的高分...
“基于改进Faster-RCNN的机场场面小目标物体检测算法”出自《南京航空航天大学学报》期刊2019年第6期文献,主题关键词涉及有机场场面监视、多尺度特征融合、在线难例挖掘、小目标物体检测等。钛学术提供该文献下载服务。