概述
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 属于计算机视觉工作流程，可解释或生成视觉媒体以进行分析、操作和创造力。
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。
掌握基于区域的 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 属于计算机视觉工作流程，可解释或生成视觉媒体以进行分析、操作和创造力。为了建立深入的理解，请将基于区域的 CNN 视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用基于区域的 CNN 的强大团队会平衡准确性与数据质量、光照差异和标签一致性等操作现实。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
视觉人工智能可以大规模自动化检查、检测和标记任务。同时，如果出处不明，肖像权和同意可能会成为法律风险。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
视觉人工智能可以大规模自动化检查、检测和标记任务。
视觉人工智能可以大规模自动化检查、检测和标记任务。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
创意团队可以通过更少的手动修改更快地构建概念原型。
创意团队可以通过更少的手动修改更快地构建概念原型。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
操作可以使用以前难以处理的图像和视频信号。
操作可以使用以前难以处理的图像和视频信号。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
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
实施模式
基于区域的 CNN 实践
检测和计数零售货架上的产品以进行库存管理。
检测和计数零售货架上的产品以进行库存管理 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
基于区域的 CNN 实践
使用 Mask R-CNN 对医学扫描中的细胞或器官进行实例分割。
使用 Mask R-CNN 对医学扫描中的细胞或器官进行实例分割 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
基于区域的 CNN 实践
识别工厂生产线上的缺陷及其位置。
识别缺陷及其在工厂生产线上的位置 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
基于区域的 CNN 实践
在自动驾驶摄像头中定位多辆车辆和行人。
在自动驾驶摄像头中定位多辆车辆和行人 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
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。
定义精确度、召回率和错误成本的接受标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用符合实际生产条件的数据进行测试。
使用符合实际生产条件的数据进行测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为低置信度或高影响力的预测添加人工审核。
为低置信度或高影响力的预测添加人工审核。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪模型漂移并在相机或数据集更改后重新验证。
跟踪模型漂移并在相机或数据集更改后重新验证。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。