**：《r-fcn: object detection via region-based fully convolutional networks》
此**是微軟亞洲研究院的代季峰在2023年提出來的一篇目標檢測的很牛的**，相比較以前的rcnn、spp、fast_rcnn以及faster_rcnn在檢測速度上有了很大的提公升，我自己也在caffe框架裡面用了r-fcn，網路結構主要是用了resnet（101效果是最好的），**中也提了在檢測效果上和以前的faster_rcnn是差不多的，但是其檢測速度可是faster_rcnn的好幾倍，這確實厲害了，還是值得運用的。
為了介紹r-fcn的創新點，下面先說說以前基於region proposal的主流的目標檢測網路，主要有：rcnn、spp、fast_rcnn以及faster_rcnn，這些方法的網路結構一般都是被 roi pooling 層分成兩個子網路：
物體分類要求平移不變性越大越好 (影象中物體的移動不用區分)，而物體檢測要求有平移變化。所以，imagenet 分類領先的結果證明盡可能有平移不變性的全卷積結構更受親睞。另一方面，物體檢測任務需要一些平移變化的定位表示。比如，物體的平移應該使網路產生響應，這些響應對描述候選框覆蓋真實物體的好壞是有意義的。cnn隨著網路深度的增加，網路對於位置（position）的敏感度越來越低，也就是所謂的translation-invariance，但是在detection的時候，需要對位置資訊有很強的的敏感度。
resnet 的**中提出了，一種使用 resnet 作為特徵引擎的 faster r-cnn 方法，將 roi pooling 層插在兩個卷積子網路之間。roi-wise 子網路越深，那麼對於有 n 個 proposal 的影象，那麼子網路就需要重複計算 n 次，雖然子網路越深，準確度可能越高，但是這應一定程度上是以犧牲訓練和測試的效率速度為代價的（這一塊我沒有了解的很清楚）。
針對上述的所提出的問題，下面介紹一下r-fcn的創新點：
為了解決translation variance 在檢測和分類中的衝突，這篇*****設計了一種特殊的卷積層：position-sensitive score maps作為全卷積網路的輸出，該卷積層輸出 position-sensitive 的 score map，而且每個 score map 引入了位置的資訊，如物體的頂部。在網路的最後一層，再接乙個 position-sensitive roi pooling 層完成對物體的檢測分類。在整個網路框架中，所有可學習的層，都是卷積層，同時把空間位置資訊引入特徵學習中，使得整個網路可以進行 end-to-end 的學習。（後面會詳細介紹position-sensitive score maps和position-sensitive roi pooling是怎麼操作的）。
**也是採用了比較流行的檢測策略，分為兩步：
學習筆記 雜湊學習筆記
hash基本原理 hash就是乙個像函式一樣的東西，你放進去乙個值，它給你輸出來乙個值。輸出的值就是hash值。一般hash值會比原來的值更好儲存 更小 或比較。那字串hash就非常好理解了。就是把字串轉換成乙個整數的函式。而且要盡量做到使字串對應唯一的hash值。它的主要思路是選取恰當的進製，可以...
學習筆記 CentOS 學習筆記01
簡單的做個課堂筆記 虛擬機器用的是vmware，系統是centos cd etc sysconfig network scripts pwdls 顯示列表 cat ifcfg eth0 檢視檔案內容 vi ifcfg eth0 進入vi編輯器 onboot no 原始設定 x逐字刪除 d刪除整行 a...
筆記 spring cloud 學習筆記
1 spring cloud 是什麼 spring cloud為開發人員提供了快速構建分布式系統中一些常見模式的工具 例如配置管理，服務發現，斷路器，智慧型路由，微 控制匯流排 分布式系統的協調導致了樣板模式,使用spring cloud開發人員可以快速地支援實現這些模式的服務和應用程式。他們將在任...