概述
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 屬於電腦視覺工作流程，可解釋或產生視覺媒體以進行分析、操作和創造力。
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。
掌握基於區域的 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。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 屬於電腦視覺工作流程，可解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將基於區域的 CNN 視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用基於區域的 CNN 的強大團隊會平衡準確性與數據品質、光照差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
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。
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。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
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
實施模式
基於區域的 CNN 實踐
檢測和計數零售貨架上的產品以進行庫存管理。
偵測和計數零售貨架上的產品以進行庫存管理 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
基於區域的 CNN 實踐
使用 Mask R-CNN 對醫學掃描中的細胞或器官進行實例分割。
使用 Mask R-CNN 對醫學掃描中的細胞或器官進行實例分割 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
基於區域的 CNN 實踐
識別工廠生產線上的缺陷及其位置。
識別缺陷及其在工廠生產線上的位置 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
基於區域的 CNN 實踐
在自動駕駛攝影機中定位多輛車輛和行人。
在自動駕駛攝影機中定位多輛車輛和行人 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
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。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。