ScholarGate
Асистент
Machine learning

Faster R-CNN

Faster R-CNN е двуетапна рамка за детекция на обекти с дълбоки конволюционни мрежи, представена от Shaoqing Ren, Kaiming He, Ross Girshick и Jian Sun (Microsoft Research) на NeurIPS 2015. Тя заменя бавната стъпка за предложения на региони чрез селективно търсене, използвана в нейните предшественици R-CNN и Fast R-CNN, с научена мрежа за предложения на региони (RPN), която споделя конволюционни характеристики с главата за детекция, позволявайки първия цялостен обучаем, почти в реално време точен детектор на обекти и установявайки дългогодишен бенчмарк за точност на PASCAL VOC и MS COCO.

Отворете в MethodMindСкороВидеоСкороИзтегляне на слайдове

Прочетете целия метод

Само за членове

Влезте с безплатен профил, за да прочетете този раздел.

Вход

Карта на методите

Обкръжението на сродните методи — изберете възел, за да го разгледате.

Източници

  1. Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Advances in Neural Information Processing Systems (NeurIPS), 28, 91–99. link
  2. Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137–1149. DOI: 10.1109/TPAMI.2016.2577031
  3. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3

Как да цитирате тази страница

ScholarGate. (2026, June 3). Faster Region-based Convolutional Neural Network. ScholarGate. https://scholargate.app/bg/deep-learning/faster-r-cnn

Кой метод?

Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.

Сравняване едно до друго

Цитиран в

ScholarGateFaster R-CNN (Faster Region-based Convolutional Neural Network). Извлечено на 2026-06-15 от https://scholargate.app/bg/deep-learning/faster-r-cnn · Набор от данни: https://doi.org/10.5281/zenodo.20539026