As redes de detecção de objetos de última geração dependem de algoritmos de proposta de região para se fazer hipóteses de localização de objetos. Avanços como SPPnet e Fast R-CNN diminuíram o tempo de execução desses sistemas de localização, descobrindo o cálculo da proposta distrital como um gargalo. Neste trabalho, apresentamos uma Rede de Propostas Regionais (RPN) que oferece destaques convolucionais de imagem completa com o arranjo de reconhecimento, habilitando assim a proposição distrital sem custo. Uma RPN é uma organização completamente convolucional que, ao mesmo tempo, prevê limites de artigos e pontuação de objetividade em cada posição. A RPN está preparada para começar a terminar para produzir uma grande proposta distrital, que é utilizada pela Fast R-CNN para identificação. Consolidamos ainda mais a RPN e o Fast R-CNNN num sistema solitário, partilhando os seus destaques convolucionais – utilizando a partir de frases tardias do mainstream dos sistemas neurais com instrumentos de ‘consideração’, o segmento RPN aconselha o sistema reunido onde procurar. Para o modelo VGG-16 extremamente profundo, nossa estrutura de identificação tem um ritmo de 5fps (contando todos os meios) em uma GPU, ao mesmo tempo em que realiza melhor precisão no reconhecimento de objetos de classe no PASCAL VOC 2007, 2012, e conjuntos de dados MS COCO com apenas 300 recomendações para cada imagem. Nas rivalidades ILSVRC e COCO 2015, Faster R-CNN e RPN são os estabelecimentos das primeiras passagens vencedoras em algumas pistas. O código foi tornado abertamente acessível.
Mais rápido R-CNN: Rumo à Detecção de Objetos em Tempo Real com Redes de Propostas Regionais
As redes de detecção de objetos de última geração dependem de algoritmos de proposta de região para se fazer hipóteses de localização de objetos. Avanços como SPPnet e Fast R-CNN diminuíram o tempo de execução desses sistemas de localização, descobrindo o cálculo da proposta distrital como um gargalo. Neste trabalho, apresentamos uma Rede de Propostas […]