Faster R-CNN
Faster Region-based Convolutional Neural Network · Ayrıca şöyle bilinir: Faster RCNN, Faster-RCNN, RPN-based detector, two-stage object detector, region proposal network detector
Faster R-CNN, Shaoqing Ren, Kaiming He, Ross Girshick ve Jian Sun (Microsoft Research) tarafından NeurIPS 2015'te tanıtılan iki aşamalı bir derin evrişimsel nesne algılama çerçevesidir. Öncülleri R-CNN ve Fast R-CNN'de kullanılan yavaş seçici-arama bölge önerisi adımını, algılama başlığıyla evrişimsel özellikleri paylaşan öğrenilmiş bir Bölge Öneri Ağı (RPN) ile değiştirerek, ilk uçtan uca eğitilebilir, gerçeğe yakın hızda doğru nesne algılayıcısını etkinleştirir ve PASCAL VOC ve MS COCO üzerinde uzun süreli bir doğruluk kıyaslaması oluşturur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Algılama doğruluğunun birincil gereksinim olduğu ve orta düzeyde çıkarım gecikmesinin (GPU'da görüntü başına on milisaniye) kabul edilebilir olduğu durumlarda Faster R-CNN doğru seçimdir — örneğin tıbbi görüntüleme, uydu görüntü analizi, endüstriyel denetim veya veri kümesi ek açıklamaları işlem hatları. Tek aşamalı algılayıcıların kaçırabileceği kapsama alanı sağlayan RPN'nin çok ölçekli çapalı kutuları nedeniyle küçük veya yoğun paketlenmiş nesneleri algılamak için çok uygundur. Bir GPU kesinlikle gereklidir: CPU'da çıkarım, gerçek dünya kullanımı için pratik olmayacak kadar yavaştır. Tek bir GPU'da 30+ FPS'de gerçek zamanlı verim gerektiren uygulamalar için YOLO veya SSD gibi tek aşamalı algılayıcılar daha uygundur. Sınıflandırılmış bir veri kümesi, sınırlayıcı kutu ek açıklamaları ile zorunludur; model tipik olarak ImageNet önceden eğitilmiş bir omurgadan başlatılır ve ince ayarlanır, bu nedenle transfer öğrenme ile birkaç bin ek açıklamalı görüntü bile yeterli olabilir.
Güçlü yönler & sınırlılıklar
- Tanıtıldığı zamanki en son algılama doğruluğu (mAP) ve hala uygun omurgalarla rekabetçi.
- Uçtan uca eğitilebilir: RPN ve algılama başlığı özellikleri paylaşır ve önceki algılayıcıların geçici öneri işlem hattını ortadan kaldırarak ortaklaşa optimize edilir.
- Çok ölçekli çapalı kutular, geniş bir boyut ve en boy oranı yelpazesindeki nesnelerin sağlam algılanmasını sağlar.
- Modüler omurga: Herhangi bir ImageNet önceden eğitilmiş CNN (VGG, ResNet, vb.) özellik çıkarıcı olarak takılabilir.
- Mask R-CNN, Feature Pyramid Networks ve Cascade R-CNN dahil olmak üzere birçok sonraki mimari için temel oluşturmuştur.
- Çıkarım, karşılaştırılabilir doğrulukta tek aşamalı algılayıcılardan (YOLO, SSD, RetinaNet) daha yavaştır, bu da katı gerçek zamanlı uygulamalarda kullanımı sınırlar.
- İki aşamalı işlem hattı, tek aşamalı yöntemlere kıyasla daha fazla uygulama karmaşıklığı ve daha fazla hiperparametre (çapalı kutu boyutları, NMS eşikleri, RPN örnekleme oranları) ekler.
- RoI Havuzlama, küçük bölgeler için niceleme artefaktları oluşturur; RoI Align (Mask R-CNN'de tanıtıldı) bunu düzeltir ancak havuzlama katmanının değiştirilmesini gerektirir.
- Bellek ve hesaplama gereksinimleri önemli ölçüdedir; çoğu uygulayıcı için önceden eğitilmiş bir omurga olmadan sıfırdan eğitim pratik değildir.
- NMS'nin gerçek algılamaları bastırabileceği çok yoğun örtüşen nesnelerde performans düşer.
SSS
Tıbbi görüntüleme: Radyoloji ve patoloji görüntülerinde lezyon, tümör ve anatomik landmark algılama.
Uzaktan algılama: Hava ve uydu görüntülerinde bina, yol ve araç algılama.
Endüstriyel kalite kontrol: Üretim hatlarında kusur algılama ve yabancı cisim denetimi.
Perakende analitiği: Mağaza kameralarından raf-ürün algılama ve envanter izleme.
Veri kümesi ek açıklaması: İnsan etiketleme iş akışlarını hızlandırmak için yarı otomatik sınırlayıcı kutu üretimi.
Çapalı kutular nelerdir ve Faster R-CNN neden onları kullanır?
Çapalı kutular, özellik haritasının her uzamsal konumuna yerleştirilmiş farklı ölçek ve en boy oranlarına sahip sabit referans sınırlayıcı kutu setleridir. RPN, olası tüm kutu konumlarını ve boyutlarını aramak yerine, yalnızca bu referans kutulardan küçük ofsetler tahmin etmesi gerekir, bu da regresyon problemini çok daha kolay hale getirir ve görüntüyü birden çok kez yeniden boyutlandırmadan nesneleri birden çok ölçekte kapsamasını sağlar.
Faster R-CNN, YOLO veya SSD'den nasıl farklıdır?
Kaynaklar
- 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 ↗
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Faster Region-based Convolutional Neural Network. ScholarGate. https://scholargate.app/tr/deep-learning/faster-r-cnn
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Artık Ağ (ResNet)Derin öğrenme↔ karşılaştır
- YOLO (You Only Look Once)Derin öğrenme↔ karşılaştır