基于区域的 CNN
基于区域的 CNN (R-CNN) 是一系列对象检测器，它们首先提出图像中的候选区域，然后使用 CNN 对每个对象进行分类和精确装箱。
概述
他们将图像分类转化为完整的物体检测，同时定位并标记多个物体。
深入探讨
图像分类回答“这张图片里有什么？”但检测还必须回答“在哪里、有多少？”最初的 R-CNN (2014) 使用外部算法（选择性搜索）提出大约 2,000 个区域，将每个区域扭曲到固定大小，并对每个区域运行 CNN，虽然准确但速度慢得令人痛苦。 Fast R-CNN 通过在整个图像上运行一次 CNN 并池化每个区域的特征（RoI 池化）来加速这一过程。然后，Faster R-CNN 用学习的区域提议网络 (RPN) 取代选择性搜索，使整个管道端到端且接近实时。 Mask R-CNN 进一步扩展它，为每个检测到的对象输出像素级掩模。
技术洞察
关键的效率飞跃是 RoI 池化：网络不是在每个提议的框上重新运行 CNN，而是计算图像的一个共享特征图，然后将每个感兴趣区域内的特征裁剪并调整为固定网格。 Faster R-CNN 的 RPN 在该特征图上滑动，预测不同大小和长宽比的预设锚框的“客观性”分数和框调整，几乎免费生成提案。
战略影响
速度与规模
视觉人工智能可以大规模自动化检查、检测和标记任务。
构建选择
创意团队可以通过更少的手动修改更快地构建概念原型。
团队与工作流程
操作可以使用以前难以处理的图像和视频信号。
基于区域的 CNN 的未来
在精度最重要的地方，两级 R-CNN 检测器仍然很强大，但单级检测器（YOLO、SSD）和基于 Transformer 的检测器（如 DETR）完全跳过手工设计的锚点和提案，因其速度和简单性而越来越受欢迎。趋势是走向端到端、无锚、基于查询的检测。尽管如此，R-CNN 谱系的核心思想、共享特征和区域级推理仍在继续影响分割、视频和 3D 检测系统。
现实世界的实施
检测和计数零售货架上的产品以进行库存管理
使用 Mask R-CNN 对医学扫描中的细胞或器官进行实例分割
识别工厂生产线上的缺陷及其位置
在自动驾驶摄像头中定位多辆车辆和行人
风险与防护栏
如果出处不明，肖像权和同意可能会成为法律风险。
模型性能可能因光照、人口统计和环境的不同而有所不同。
除非监控置信阈值，否则误报可能会被忽视。
实施路线图
定义精确度、召回率和错误成本的接受标准。
使用符合实际生产条件的数据进行测试。
为低置信度或高影响力的预测添加人工审核。
跟踪模型漂移并在相机或数据集更改后重新验证。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Region-Based CNNs quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
什么是基于区域的CNN？
基于区域的 CNN (R-CNN) 是一系列对象检测器，它们首先提出图像中的候选区域，然后使用 CNN 对每个对象进行分类和精确装箱。他们将图像分类转变为完整的对象检测，同时定位和标记许多对象。
基于区域的 CNN 的核心思想是什么？
R-CNN 提出可能包含对象的区域，然后运行 CNN 对每个区域进行分类并细化其边界框。
为什么最初的 R-CNN (2014) 速度慢？
最初的 R-CNN 在每个图像大约 2,000 个区域提案上独立运行 CNN，这在计算上非常昂贵。
Faster R-CNN 引入了什么来取代选择性搜索？
Faster R-CNN 引入了学习区域提议网络，使提议生成成为可训练网络的一部分，并且速度更快。
RoI池化能实现什么？
RoI 池化从每个区域的单个共享特征图中提取固定大小的特征网格，避免重新计算并加快检测速度。
Mask R-CNN 添加了哪些额外功能？
Mask R-CNN 通过预测每个对象的精确像素级掩模来扩展 Faster R-CNN，从而实现实例分割。