Faster R-CNN
Faster R-CNN is a two-stage deep convolutional object detection framework introduced by Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun (Microsoft Research) at NeurIPS 2015. It replaces the slow selective-search region proposal step used in its predecessors R-CNN and Fast R-CNN with a learned Region Proposal Network (RPN) that shares convolutional features with the detection head, enabling the first end-to-end trainable, near-real-time accurate object detector and establishing a long-standing accuracy benchmark on PASCAL VOC and MS COCO.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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. · URL
- 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
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. · ISBN 978-0-262-03561-3
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.