cascade-rcnn

> 编程语言

开源

Caffe 实现了多个流行的物体检测框架

1.1K stars0 点赞0 次浏览

访问官网 GitHub

工具介绍

Caffe 实现了多个流行的物体检测框架

Cascade R-CNN: 深入研究高质量目标检测

作者: Zhaowei Cai 和 Nuno Vasconcelos 此仓库由加州大学圣地亚哥分校的蔡兆伟编写。

简介

该仓库实现了多种流行的物体检测算法,包括 Faster R-CNN、R-FCN、FPN 以及我们最近提出的 Cascade R-CNN,这些算法均在 MS-COCO 和 PASCAL VOC 数据集上进行了测试。支持多种后端网络,包括 AlexNet、VGG-Net 和 ResNet。它使用 C++ 编写,并基于 Caffe 深度学习工具箱。

级联 R-CNN 是流行的两阶段 R-CNN 目标检测框架的多阶段扩展。目标是获得高质量的目标检测,能够有效地排除接近的假阳性。它由一系列经过端到端训练的检测器组成,这些检测器的 IoU 阈值逐渐提高,以更有选择地排除接近的假阳性。前一阶段检测器的输出会传递给后一阶段检测器,检测结果将逐阶段得到提升。这种思想可以应用于基于两阶段 R-CNN 框架的任何检测器,包括 Faster R-CNN、R-FCN、FPN、Mask R-CNN 等,并且无论基准强度如何都能获得可靠的提升。在 ResNet-101 后端网络的 FPN 检测器上使用纯粹的级联 R-CNN,无需任何训练或推理优化,在具有挑战性的 MS-COCO 数据集上就实现了最先进的结果。