基於區域的 CNN
基於區域的 CNN (R-CNN) 是一系列物件偵測器，它們首先提出影像中的候選區域，然後使用 CNN 對每個物件進行分類和精確裝箱。
概述
They turned image classification into full object detection, locating and labeling many objects at once.
深入探討
影像分類回答「這張圖片裡有什麼？」但檢測還必須回答「在哪裡、有多少？」最初的 R-CNN (2014) 使用外部演算法（選擇性搜尋）提出大約 2,000 個區域，將每個區域扭曲到固定大小，並對每個區域運行 CNN，雖然準確但速度慢得令人痛苦。 Fast R-CNN 透過在整個影像上運行一次 CNN 並池化每個區域的特徵（RoI 池化）來加速這一過程。然後，Faster R-CNN 以學習的區域提議網路 (RPN) 取代選擇性搜索，使整個管道端到端且接近即時。 Mask R-CNN 進一步擴展它，為每個偵測到的物件輸出像素級遮罩。
技術洞察
關鍵的效率飛躍是 RoI 池化：網路不是在每個提議的框上重新運行 CNN，而是計算圖像的一個共享特徵圖，然後將每個感興趣區域內的特徵裁剪並調整為固定網格。 Faster R-CNN 的 RPN 在該特徵圖上滑動，預測不同大小和長寬比的預設錨框的「客觀性」分數和框調整，幾乎免費產生提案。
戰略影響
速度與規模
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
配裝選擇
創意團隊可以透過更少的手動修改來更快地建立概念原型。
團隊與工作流程
操作可以使用以前難以處理的影像和視訊訊號。
基於區域的 CNN 的未來
在精度最重要的地方，兩級 R-CNN 檢測器仍然很強大，但單級檢測器（YOLO、SSD）和基於 Transformer 的檢測器（如 DETR）完全跳過手工設計的錨點和提案，因其速度和簡單性而越來越受歡迎。趨勢是走向端到端、無錨、基於查詢的偵測。儘管如此，R-CNN 譜系的核心思想、共享特徵和區域級推理仍在繼續影響分割、視訊和 3D 檢測系統。
現實世界的實施
檢測和計數零售貨架上的產品以進行庫存管理
使用 Mask R-CNN 對醫學掃描中的細胞或器官進行實例分割
識別工廠生產線上的缺陷及其位置
在自動駕駛攝影機中定位多輛車輛和行人
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
使用符合實際生產條件的數據進行測試。
為低置信度或高影響力的預測添加人工審核。
追蹤模型漂移並在相機或資料集變更後重新驗證。
不斷探索
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
常見問題
What is Region-Based CNNs?
基於區域的 CNN (R-CNN) 是一系列物件偵測器，它們首先提出影像中的候選區域，然後使用 CNN 對每個物件進行分類和精確裝箱。他們將影像分類轉變為完整的物件檢測，同時定位和標記許多物件。
基於區域的 CNN 的核心思想是什麼？
R-CNN 提出可能包含物件的區域，然後執行 CNN 對每個區域進行分類並細化其邊界框。
為什麼最初的 R-CNN (2014) 速度慢？
最初的 R-CNN 在每個圖像大約 2,000 個區域提案上獨立運行 CNN，這在計算上非常昂貴。
Faster R-CNN 引入了什麼來取代選擇性搜尋？
Faster R-CNN 引入了學習區域提議網絡，使提議生成成為可訓練網絡的一部分，並且速度更快。
RoI池化能實現什麼？
RoI 池化從每個區域的單一共享特徵圖中提取固定大小的特徵網格，避免重新計算並加快偵測速度。
Mask R-CNN 增加了哪些額外功能？
Mask R-CNN 透過預測每個物件的精確像素級掩模來擴展 Faster R-CNN，從而實現實例分割。