Machine learning

Faster R-CNN

Faster R-CNN je dvojstupňový rámec pre detekciu objektov pomocou hlbokých konvolučných sietí, ktorý predstavili Shaoqing Ren, Kaiming He, Ross Girshick a Jian Sun (Microsoft Research) na konferencii NeurIPS v roku 2015. Namiesto pomalého kroku navrhovania regiónov pomocou selektívneho vyhľadávania, ktorý sa používal v jeho predchodcoch R-CNN a Fast R-CNN, zavádza naučenú sieť na navrhovanie regiónov (Region Proposal Network – RPN), ktorá zdieľa konvolučné vlastnosti s detekčnou hlavou. To umožňuje prvý end-to-end trénovateľný, takmer v reálnom čase presný detektor objektov a stanovuje dlhodobý benchmark presnosti na PASCAL VOC a MS COCO.

Otvoriť v MethodMindČoskoroVideoČoskoroDownload slides

Prečítať celú metódu

Len pre členov

Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.

Prihlásiť sa

Method map

The neighbourhood of related methods — select a node to explore.

Zdroje

  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

Ako citovať túto stránku

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

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Odkazujú sem

ScholarGateFaster R-CNN (Faster Region-based Convolutional Neural Network). Získané 2026-06-15 z https://scholargate.app/sk/deep-learning/faster-r-cnn · Dátová sada: https://doi.org/10.5281/zenodo.20539026