ScholarGate
Asistenti
Machine learning

Faster R-CNN

Faster R-CNN është një kornizë dyfazore e thellë konvolucionale për zbulimin e objekteve, prezantuar nga Shaoqing Ren, Kaiming He, Ross Girshick dhe Jian Sun (Microsoft Research) në NeurIPS 2015. Ajo zëvendëson hapin e ngadaltë të propozimit të rajoneve me kërkim selektiv, të përdorur në paraardhësit e saj R-CNN dhe Fast R-CNN, me një Rrejt të Propozimit të Rajoneve (RPN) të mësuar, i cili ndan tiparet konvolucionale me kokën e zbulimit, duke mundësuar zbuluesin e parë të saktë të objekteve, të trajnuar fund-për-fund, pothuajse në kohë reale dhe duke vendosur një standard të lartë për saktësinë në PASCAL VOC dhe MS COCO.

Hapeni në MethodMindSë shpejtiVideoSë shpejtiDownload slides

Lexoni metodën e plotë

Vetëm për anëtarët

Hyni me një llogari falas për ta lexuar këtë seksion.

Hyni

Method map

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

Burimet

  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

Si ta citoni këtë faqe

ScholarGate. (2026, June 3). Faster Region-based Convolutional Neural Network. ScholarGate. https://scholargate.app/sq/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

Cituar nga

ScholarGateFaster R-CNN (Faster Region-based Convolutional Neural Network). Marrë më 2026-06-15 nga https://scholargate.app/sq/deep-learning/faster-r-cnn · Seti i të dhënave: https://doi.org/10.5281/zenodo.20539026