faster-rcnn算法总结

faster-rcnn的整体流程比较复杂，尤其是数据的预处理部分，流程比较繁琐。我写faster-rcnn系列文章的目的是对该算法的原始版本有个整体的把握，如果需要使用该算法做一些具体的任务，推荐使用mmdetection框架，该框架使用PyTorch写成，相比于原始的基于caffe python接口的版本就简洁优雅多了。下面对改算法的整体过程做一个梳理，分为训练过程(端到端的训练)和测试过程两部分。本文注重算法原理，因此直接从如下的数据输入开始：

layer {
  name: ‘input-data‘
  type: ‘Python‘
  top: ‘data‘
  top: ‘im_info‘
  top: ‘gt_boxes‘
  python_param {
    module: ‘roi_data_layer.layer‘
    layer: ‘RoIDataLayer‘
    param_str: "‘num_classes‘: 2"
  }
}

一、训练过程

1、输入数据经过一个ConvNet得到一个feature map(backbone的输出)，记为bk_feat；

2、

faster-rcnn算法总结

原文：https://www.cnblogs.com/pursuiting/p/11209933.html