Object Detection for Dummies Part 3: R-CNN Family

学完你能

• 说明 R-CNN 的完整流程：选择性搜索提候选区域、CNN 提特征、SVM 分类与边界框回归
• 写出 R-CNN 边界框回归的变换公式与回归目标，并解释为何做尺度与对数变换
• 解释非极大值抑制与难负样本挖掘的作用及操作步骤
• 说明 R-CNN 训练与推理慢的瓶颈来源
• 描述 Fast R-CNN 如何通过共享卷积计算与 RoI Pooling 加速训练
• 按目录理解 Faster R-CNN 与 Mask R-CNN 的结构位置（正文节选未覆盖，需阅读原文）

适合你吗

课程特点

内容侧重

侧重实践应用

练习与项目

文章不含编程练习；可在读完每节后用自己的话复述模型流程，或对照论文流程图与开源代码理解实现细节。

学习时长

1 个课节原站未给出统一学习时长；实际用时取决于已有基础。

内容费用

免费节选可直接读到完整正文内容，页面未见付费墙或登录拦截。

内容覆盖

• R-CNN：Model Workflow
• R-CNN：Bounding Box Regression
• R-CNN：Common Tricks（非极大值抑制、难负样本挖掘）
• R-CNN：Speed Bottleneck
• Fast R-CNN：RoI Pooling
• Fast R-CNN：Model Workflow
• Fast R-CNN：Loss Function
• Fast R-CNN：Speed Bottleneck
• Faster R-CNN：Model Workflow（节选未含正文）
• Faster R-CNN：Loss Function（节选未含正文）
• Mask R-CNN：RoIAlign（节选未含正文）
• Mask R-CNN：Loss Function（节选未含正文）
• Summary of Models in the R-CNN family（节选未含正文）