Machine learning

Faster R-CNN

Faster R-CNN 是由 Shaoqing Ren、Kaiming He、Ross Girshick 和 Jian Sun（微软研究院）于 2015 年 NeurIPS 会议上提出的一种两阶段深度卷积目标检测框架。它用一个学习到的区域提议网络（Region Proposal Network, RPN）取代了其前身 R-CNN 和 Fast R-CNN 中耗时的选择性搜索区域提议步骤，该 RPN 与检测头共享卷积特征，从而实现了首个端到端可训练、近乎实时且准确的目标检测器，并在 PASCAL VOC 和 MS COCO 数据集上确立了长期的准确性基准。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

方法图谱

相关方法的邻域——选择一个节点以展开探索。

Faster R-CNN

残差网络（ResNet）YOLO（You Only Look Once）Mask R-CNN：具有像素级掩码的实例分割

来源

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

如何引用本页

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

选用哪种方法？

将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。

残差网络（ResNet）深度学习↔ 比较
YOLO（You Only Look Once）深度学习↔ 比较

并排比较 →

被引用于

Mask R-CNN：具有像素级掩码的实例分割

发现本页有问题？报告或提出修改建议 →