兩階段目標檢測發展史(R-CNN,Fast R-CNN,Faster R-CNN)
在探討RCNN之前可以先大概知道一個目標檢測發展歷史時間軸 最早期CNN提出之後，陸續從2014年到2016年雙階段目標檢測的技術陸續被提出。 在目標檢測技術的發展歷程中，兩階段式偵測方法是一個很重要的里程碑。 它的核心概念是：先找出可能存在目標的區域（Region Proposal），再對這些區域進行分類與邊界框回歸。這類方法的代表模型依序包括 R-CNN、Fast R-CNN、Faster R-CNN，可以看出整體演進方向就是：從準確率提升，逐步走向更高效率與端到端訓練。 1. R-CNN（Region-Based CNN） 提出時間：2014 年 作者：Ross Girshick 論文名稱: Rich feature hierarchies for accurate object detection and semantic segmentation 論文連結: Rich feature hierarchies for accurate object detection and semantic segmentation(2014初版8頁) www.cv-foundation.org/openaccess/content_cvpr_2014/papers/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.pdf Rich feature hierarchies for accurate object detection and semantic segmentation Tech report (v5)(21頁) https://arxiv.org/abs/1311.2524 R-CNN 是早期兩階段目標檢測的重要代表作，首次明確將 Region Proposal（區域提議） 的概念引入目標檢測流程中。 它先透過 Selective Search 從影像中產生大量大小不一的候選區域(約2000個候選框)，再將每一個候選區域分別送入 CNN 萃取特徵，最後使用 SVM 進行分類，並搭配 Bounding Box Regression 做邊界框位置修正。 這種方法大幅提升了目標檢測的效果，也讓深度學習正式成為目標檢測的重要主流技術之一。 優點： 首次成功結合區域提議與 CNN 特徵提取 顯著提升傳統目標...