एक में पिछले पोस्ट, मैं दो चरणों वाली वस्तु का पता लगाने मॉडल को समझने के लिए शुरू किया और के बारे में सबसे बुनियादी और, तदनुसार, उनमें से पहले बात की थी - आर-सीएनएन । आज हम इस परिवार के अन्य मॉडलों को देखते हैं: फास्ट आर-सीएनएन और फास्टर आर-सीएनएन । जाओ!

फास्ट आर-सीएनएन

चूंकि आर-सीएनएन एक धीमा और बहुत ही कुशल नेटवर्क नहीं है, इसलिए बहुत जल्दी उसी लेखकों ने फास्ट आर-सीएनएन नेटवर्क के रूप में सुधार का प्रस्ताव दिया ।

छवि प्रसंस्करण प्रक्रिया बदल गई है और इस तरह दिखता है:

1. छवि विशेषताओं का एक नक्शा निकालना (प्रत्येक परिकल्पना के लिए अलग से नहीं, बल्कि पूरी छवि के लिए);
2. परिकल्पना खोज (चयनात्मक खोज के आधार पर आर-सीएनएन के समान);
3. – .. ( );
4. ( , SVM-).

RoI layer

मूल आर-सीएनएन अवधारणा में, प्रत्येक प्रस्तावित परिकल्पना को व्यक्तिगत रूप से सीएनएन का उपयोग करके संसाधित किया जाता है - यह दृष्टिकोण एक प्रकार की अड़चन बन गया है। इस समस्या को हल करने के लिए, एक ब्याज क्षेत्र (आरओआई) परत विकसित की गई थी । यह परत आपको एक बार तंत्रिका नेटवर्क का उपयोग करके पूरी छवि को संसाधित करने की अनुमति देती है, आउटपुट पर एक फीचर मैप प्राप्त करती है, जो तब प्रत्येक परिकल्पना को संसाधित करने के लिए उपयोग किया जाता है।

RoI परत का मुख्य कार्य हाइपरथेस के निर्देशांक (बाउंडिंग बॉक्स के निर्देशांक) की तुलना फीचर मैप के संगत निर्देशांक से करना है। फ़ीचर मैप का "स्लाइस" बनाते हुए, RoI लेयर इसे क्लास के बाद के निर्धारण और निर्देशांक में सुधार के लिए पूरी तरह से जुड़े लेयर के इनपुट में फीड करता है (निम्न सेक्शन देखें)।

एक तार्किक सवाल उठता है - पूरी तरह से जुड़े परत के इनपुट के लिए विभिन्न आकारों और पहलू अनुपात की परिकल्पना कैसे लागू करें? इसके लिए, एक RoI परत की आवश्यकता होती है, जो छवि को आयामों के साथ परिवर्तित करती है$$$I_{h}×I_{w}$ आकार में $$$O_{h}×O_{w}$। ऐसा करने के लिए, आपको मूल छवि को आकार के ग्रिड में विभाजित करने की आवश्यकता है$$$O_{h}×O_{w}$ (सेल आकार लगभग $$$\frac{I_{h}}{O_{h}}×\frac{I_{w}}{O_{w}}$) और प्रत्येक सेल से अधिकतम संख्या का चयन करें।

मान लीजिए कि एक 5 × 5 फीचर मैप है और इस मैप पर वांछित परिकल्पना में निर्देशांक (1,1,4,5) हैं (पहले दो निर्देशांक ऊपरी बाएं कोने हैं, अंतिम दो निचले दाएं हैं)। बाद की पूरी तरह से जुड़ी परत एक 4 × 1 आयाम (यानी, एक लम्बी 2 × 2 मैट्रिक्स) की उम्मीद करती है। फिर हम परिकल्पना को विभिन्न आयामों (पूलिंग चरण) के असमान ब्लॉकों में विभाजित करते हैं और उनमें से प्रत्येक में अधिकतम संख्या लेते हैं (पूलिंग चरण और, परिणामस्वरूप, आउटपुट चरण)।


इस प्रकार, पूरी छवि को संसाधित करना संभव हो जाता है, और फिर एक फीचर मैप के आधार पर प्रत्येक परिकल्पना के साथ काम करते हैं।

संपूर्ण:

• इनपुट: परिकल्पना के निर्देशांक और मूल छवि की विशेषताओं का एक नक्शा;
• आउटपुट: परिकल्पना का वेक्टर प्रतिनिधित्व।

पूरी तरह से जुड़े परत और उसके आउटपुट

आर-सीएनएन के पिछले संस्करण में, अलग-अलग एसवीएम क्लासिफायर का उपयोग किया गया था, उसी कार्यान्वयन में उन्हें एक सॉफ्टमैक्स आयाम आउटपुट के साथ बदल दिया गया था $$$N_{c}+1$। यह ध्यान दिया जाता है कि सटीकता की हानि 1% से कम है।

रजिस्टरों का उत्पादन एनएमएस (गैर-अधिकतम दमन) का उपयोग करके संसाधित किया जाता है।

संपूर्ण:

• इनपुट: परिकल्पना का वेक्टर प्रतिनिधित्व;
• आउटपुट: बाउंडिंग बॉक्स के निर्देशांक के लिए कक्षाओं और सुधार से संबंधित परिकल्पना की संभावनाएं।

बहु कार्य हानि

नेटवर्क के साथ-साथ प्रशिक्षण में, एक विशेष नुकसान फ़ंक्शन का उपयोग बाउंडिंग बॉक्स और वर्गीकरण को पुनः प्राप्त करने के कार्यों के लिए किया जाता है:

$$

$$L(P,u,t^{u},v)=L_{cls}(P,u)+\lambda[u≥1]L_{loc}(t^{u},v)$$

यहाँ:

• $$$\lambda$दो कार्यों के बीच संतुलन को समायोजित करने के लिए आवश्यक (लेखकों ने इस्तेमाल किया $$$\lambda$= 1);
• $$$u$- सही वर्ग;
• $$$L_{cls}$वर्गीकरण के लिए त्रुटि कार्यों का प्रतिनिधित्व करता है $$$L_{cls}(P,u)=-logP_{u}$;
• $$$L_{loc}$एक SmoothL1 फ़ंक्शन है और बीच के अंतर को मापता है $$$v=(v_{x},v_{y},v_{w},v_{h})$तथा $$$t^{u}=(t^u_x,t^u_y,t^u_w,t^u_h)$मान:
  
  

  $$

  $$SmoothL1=\left \{ \begin{matrix} \frac{1}{2}x^{2}, & if\left | x \right | <1\\ \left | x \right |-\frac{1}{2}, & otherwise \end{matrix}\right.$$
  
  यहाँ, $$$x$लक्ष्य मान और भविष्यवाणी के बीच अंतर को दर्शाता है $$$t^u_i-v_{i}$। ऐसा फ़ंक्शन एल 1 और एल 2 कार्यों के फायदों को जोड़ता है, क्योंकि यह बड़े मूल्यों पर स्थिर है$$$x$ और छोटे मूल्यों के लिए ज्यादा जुर्माना नहीं।
  
  
  

प्रशिक्षण

बेहतर अभिसरण के लिए, लेखकों ने बैच के गठन के लिए निम्नलिखित दृष्टिकोण का उपयोग किया:

1. बैच में परिकल्पना की संख्या का चयन किया जाता है $$$R$।
2. बेतरतीब ढंग से चुनी $$$N$इमेजिस।
3. प्रत्येक के लिए $$$N$चित्र लिए गए $$$\frac{R}{N}$परिकल्पना (यानी प्रत्येक छवि में समान रूप से)।

इसी समय, दोनों सकारात्मक (पूरे बैच का 25%) और नकारात्मक (पूरे बैच का 75%) परिकल्पना आर में शामिल हैं। 0.5 से अधिक ऑब्जेक्ट (आईओयू) द्वारा ऑब्जेक्ट के सही स्थान के साथ ओवरलैप करने वाले हाइपोथेसिस को सकारात्मक माना जाता है। नकारात्मक लोगों को हार्ड नेगेटिव माइनिंग नियम के अनुसार लिया जाता है - सबसे गलत उदाहरण (जिनकी रेंज [०.१,०.५) में IoU है)

इसके अलावा, लेखकों का तर्क है कि मापदंडों के साथ$$$N=2$ तथा $$$R=128$नेटवर्क के साथ कई बार तेजी से सीखता है $$$N=128$तथा $$$R=128$(यानी प्रत्येक छवि से एक परिकल्पना)।

तेज़ आर-एनएन

एक और तार्किक सुधार चयनात्मक खोज एल्गोरिथ्म पर निर्भरता को खत्म करने का एक तरीका है। ऐसा करने के लिए, हम पूरी प्रणाली का प्रतिनिधित्व दो मॉड्यूलों की संरचना के रूप में करेंगे - परिकल्पनाओं की परिभाषा और उनके प्रसंस्करण। पहला मॉड्यूल रीजन प्रपोजल नेटवर्क (आरपीएन) का उपयोग करके लागू किया जाएगा , और दूसरा फास्ट आर-सीएनएन (आरओआई परत के साथ शुरू) के समान है।

इसलिए, इस बार छवि के साथ काम करने की प्रक्रिया बदल गई है और अब इस तरह से होता है:

1. तंत्रिका नेटवर्क का उपयोग करके छवि सुविधाओं के मानचित्र को हटाना;
2. परिकल्पना के संकेतों के प्राप्त नक्शे के आधार पर पीढ़ी - अनुमानित निर्देशांक और किसी भी वर्ग की वस्तु की उपस्थिति का निर्धारण;
3. पहले चरण में प्राप्त फीचर मैप के साथ RoI का उपयोग करते हुए परिकल्पना की तुलना निर्देशांक से होती है;
4. परिकल्पनाओं का वर्गीकरण (पहले से ही एक विशेष वर्ग की परिभाषा के लिए) और निर्देशांक का अतिरिक्त शोधन (वास्तव में, यह लागू नहीं हो सकता है)।

मुख्य सुधार उस जगह पर ठीक से हुआ जहां परिकल्पनाएं उत्पन्न हुई थीं - अब इसके लिए एक अलग छोटा तंत्रिका नेटवर्क है, जिसे क्षेत्र प्रस्ताव नेटवर्क कहा जाता था ।

क्षेत्र प्रस्ताव नेटवर्क

इस मॉड्यूल का अंतिम लक्ष्य पूरी तरह से चयनात्मक खोज एल्गोरिदम को बदलना है। तेजी से संचालन के लिए, एक नेटवर्क के साथ आम वजन की आवश्यकता होती है जो आवश्यक विशेषताओं को निकालता है। इसलिए, आरपीएन इनपुट इस नेटवर्क के बाद प्राप्त एक फीचर मैप है। मूल लेख के लेखक सुविधाओं को निकालने के लिए वीजीजी 16 नेटवर्क का उपयोग करते हैं, जिनमें से आउटपुट को अंतिम दृढ़ परत माना जाता है - conv53। इस तरह के नेटवर्क में ग्रहणशील क्षेत्र की निम्नलिखित विशेषताएं हैं :

• प्रभावी संपीड़न (प्रभावी प्रगति, $$$S_{0}$): सोलह
• ग्रहणशील क्षेत्र का आकार $$$r_{0}$): 196

इसका मतलब यह है कि फीचर मैप मूल छवि आकार (चैनल की संख्या 512) से 16 गुना छोटा होगा, और इसकी कोशिकाओं में प्रत्येक मूल्य 196 × 196 आयत में पड़ी मूल छवि के पिक्सल से प्रभावित होता है। इस प्रकार, यह पता चला है कि यदि आप मानक इनपुट वीजीजी 16 224 × 224 का उपयोग करते हैं, तो लगभग पूरी छवि फीचर मैप के केंद्रीय सेल (14.14) के मूल्य को प्रभावित करेगी! प्राप्त फीचर मैप के आधार पर, प्रत्येक सेल के लिए RPN का उत्पादन होता है$$$k$ परिकल्पना (मूल कार्यान्वयन में) $$$k=9$) विभिन्न आकार और पहलू अनुपात। तो, मानक आकार के लिए, यह 14 × 14 × 9 = 1764 परिकल्पना है!

नीचे दी गई छवि के आधार पर, हम RPN मॉड्यूल के एल्गोरिथ्म को अधिक विवरण (क्लिक करने योग्य चित्र) पर विचार करते हैं:

1. $$$c×\frac{H}{16}×\frac{W}{16}$.
2. 3×3 ( – ). , ($$$P_{0}=106$, $$$r_{0}=228$).

• ($$$i,j$) $$$c$( 512).

1. 1×1 $$$\hat{c}$( $$$c$$$$\hat{c}$):
   
   1. (cls) $$$\hat{c}=2k$– - ( 2 ).
   2. (reg) $$$\hat{c}=4k$– .
   
   ध्यान दें कि प्राप्त वैक्टर मैट्रिसेस में तब्दील हो सकते हैं $$$k×2$तथा $$$k×4$। इस प्रकार, हम मेट्रिसेस प्राप्त करते हैं, जहां$$$i$ लाइन एक विशेष परिकल्पना के लिए मूल्यों से मेल खाती है।

एक तार्किक प्रश्न उठता है: कैसे सदिशों के पूर्ण निर्देशांक को वेक्टर से निर्धारित किया जा सकता है जो रेग परत में प्रवेश करता है? जवाब आसान है - कोई रास्ता नहीं। निर्देशांक के सही निर्धारण के लिए, उनके निर्देशांक में तथाकथित एंकर और सुधार का उपयोग करना आवश्यक है ।

एक लंगर विभिन्न पहलुओं अनुपात (1: 1, 2: 1, 1: 2) और आकार (128 × 128, 256 × 256, 512 × 512) का एक चतुर्भुज है। लंगर का केंद्र कोशिका का केंद्र है ($$$i,j$) कार्ड के संकेत। तो, उदाहरण के लिए, चलो एक सेल (7,7) लेते हैं, जिसका केंद्र मान (7.5,7.5) है, जो मूल छवि (16 × 7.5) के निर्देशांक (120,120) से मेल खाती है। इन के साथ तुलना में तीन पहलू अनुपात और तीन आकार (कुल 3 × 3 = 9) के आयतों का समन्वय होता है। भविष्य में, रेग लेयर इन निर्देशांक के संबंध में उपयुक्त संपादन का उत्पादन करेगा, जिससे बाउंडिंग बॉक्स का स्थान और आकार समायोजित हो जाएगा।

संपूर्ण:

• इनपुट: मूल छवि की सुविधाओं का नक्शा;
• आउटपुट: एक वस्तु युक्त परिकल्पना।

लॉस फंकशन

RPN प्रशिक्षण के लिए, निम्नलिखित वर्ग संकेतन का उपयोग किया जाता है:

• सकारात्मक सभी एंकर 0.7 से अधिक चौराहे (IoU) वाले होते हैं या सभी एंकरों के बीच सबसे बड़ा चौराहा होता है (लागू होता है अगर 0.7 से अधिक का कोई चौराहा नहीं है)।
• नकारात्मक सभी एंकर हैं जिनका 0.3 से कम का चौराहा है।
• अन्य सभी एंकर प्रशिक्षण में भाग नहीं लेते हैं (वास्तव में, वे तटस्थ हैं)।

तो क्लास $$$p^*_i$एंकर को निम्नलिखित नियम के अनुसार सम्मानित किया जाता है:

$$

$$p^*_i = \begin{cases} 1 & if IoU > 0.7 \\ 0 & if IoU < 0.3 \\ nothing & otherwise \end{cases}$$

इस तरह के अंकन के साथ, निम्नलिखित कार्य को कम से कम किया जाता है:

$$

$$L(\{p_i\}, \{t_i\}) = \frac{1}{N_{cls}} \sum_i L_{cls}(p_i, p^*_i) + \lambda \frac{1}{N_{loc}} \sum_i p^*_i L_{reg} (t_i, t^*_i)$$

यहाँ:

• $$$i$- लंगर संख्या;
• $$$p_{i}$- वस्तु को खोजने की संभावना $$$i$लंगर;
• $$$p^*_i$- सही वर्ग संख्या (ऊपर संकेत दिया गया है);
• $$$t_{i}$- 4 निर्देशांक के सुधार की भविष्यवाणी की;
• $$$t^*_i$- समन्वय के लिए अपेक्षित (जमीनी सच्चाई) सुधार;
• $$$L_{cls}(p_{i},p^*_i)$- बाइनरी लॉग-लॉस;
• $$$L_{reg}(t_{i},t^*_i)$- स्मूथएल 1 नुकसान। केवल सक्रिय अगर$$$p^*_i=1$, अर्थात। यदि परिकल्पना में कम से कम कुछ वस्तु शामिल है;
• $$$\begin{Bmatrix}p_{i}\end{Bmatrix}$तथा $$$\begin{Bmatrix}t_{i}\end{Bmatrix}$- क्रमशः वर्गीकरण और प्रतिगमन मॉडल के आउटपुट;
• $$$\lambda$- वर्गीकरण और प्रतिगमन के बीच संतुलन को समायोजित करने के लिए गुणांक।

संयुक्त नुकसान के दोनों भागों को सामान्य करता है $$$N_{cls}$तथा $$$N_{loc}$क्रमशः। लेखकों ने इस्तेमाल किया$$$N_{cls}$ मिनी-बैच (256), और के आकार के बराबर $$$N_{loc}$लंगर की संख्या के बराबर।

बाउंडिंग बॉक्स में सुधार को पुनः प्राप्त करने के लिए, मानों को आरंभिक और निम्न प्रकार से गणना की जाती है:

$$

$$t_x = \frac{(x - x_a)}{w_a}, \quad\quad t^*_x = \frac{(x^*-x_a)}{w*} \\ t_y = \frac{(y - y_a)}{h_a}, \quad\quad t^*_y = \frac{(y^* - y_a)}{h_a} \\ t_w = \log{\frac{w}{w_a}}, \quad\quad t^*_w = \log{\frac{w^*}{w_a}} \\ t_h = \log{\frac{h}{h_a}}, \quad\quad t^*_h = \log{\frac{h^*}{h_a}}$$

यहाँ $$$x$, $$$y$, $$$w$तथा $$$h$बाउंडिंग बॉक्स के केंद्र, चौड़ाई और ऊंचाई को इंगित करें। चर$$$x$, $$$x^{*}$तथा $$$x_{a}$निरूपित भविष्यवाणी, जमीनी सच्चाई और एंकरों का अर्थ (के लिए) $$$y$, $$$w$तथा $$$h$इसी तरह)।

एंकरों की पूरी सूची पर प्रशिक्षण नकारात्मक वर्ग के प्रति पूर्वाग्रह रखेगा (इस वर्ग के साथ कई और परिकल्पनाएं हैं)। इस संबंध में, मिनी-बैच 1: 1 से सकारात्मक अनुपात में नकारात्मक एंकर के रूप में बनता है। यदि उचित संख्या में सकारात्मक एंकरों को ढूंढना संभव नहीं है, तो मिनी-बैच को नकारात्मक वर्गों की सहायता से पूरक किया जाता है।

सामान्य नेटवर्क प्रशिक्षण

मुख्य उद्देश्य दो मॉड्यूल के बीच तराजू का संयुक्त उपयोग है - इससे काम की गति बढ़ जाएगी। चूंकि एक साथ दो स्वतंत्र मॉड्यूल को प्रशिक्षित करना असंभव (या बल्कि कठिन) है, लेख के लेखक एक पुनरावृत्त दृष्टिकोण का उपयोग करते हैं:

1. प्रशिक्षण आरपीएन नेटवर्क। ImageNet पर प्रशिक्षण के दौरान पहले प्राप्त वज़न के साथ संकरात्मक परतें आरंभीकृत की जाती हैं। हम किसी भी वर्ग (वर्ग का विनिर्देश फास्ट आर-सीएनएन का हिस्सा है) के साथ क्षेत्रों को परिभाषित करने के कार्य पर निर्भर रहेंगे।
2. प्रशिक्षण फास्ट आर-सीएनएन नेटवर्क। चरण 1 में, हम ImageNet पर प्रशिक्षण के दौरान पहले प्राप्त वजन के साथ फास्ट आर-सीएनएन को इनिशियलाइज़ करते हैं। हम आइटम 1 में प्रशिक्षित आरपीएन नेटवर्क का उपयोग करके वस्तुओं के बारे में परिकल्पना का उपयोग करते हैं। इस बार, प्रशिक्षण का कार्य निर्देशांक को स्पष्ट करना और वस्तु की विशिष्ट कक्षा का निर्धारण करना है।
3. पी। 2 से वज़न का उपयोग करते हुए, हम केवल RPN भाग को प्रशिक्षित करते हैं (फीचर एक्सट्रैक्टर से संबंधित RPN नेटवर्क पर जाने वाली परतें जमी हुई हैं और बिल्कुल भी नहीं बदलती हैं)।
4. पी। 3 से वजन का उपयोग करना (यानी, पहले से ही महीन ट्यून किया हुआ RPN), हम फास्ट R-CNN (शेष वजन - जो पहले जाते हैं या RPN से संबंधित हैं - जमे हुए हैं) के लिए परतों को प्रशिक्षित करते हैं।

इस तरह के पुनरावृत्ति प्रशिक्षण की मदद से, यह पता चलता है कि पूरा नेटवर्क एक ही तराजू पर बनाया गया है। आप इस सिद्धांत पर नेटवर्क को प्रशिक्षित करना जारी रख सकते हैं, लेकिन लेखक ध्यान दें कि मैट्रिक्स में कोई बड़े बदलाव नहीं हुए हैं।

भविष्यवाणी की प्रक्रिया

भविष्यवाणियों के लिए तंत्रिका नेटवर्क का उपयोग करते समय, छवि प्रसार इस तरह दिखता है:

1. छवि तंत्रिका नेटवर्क के इनपुट में प्रवेश करती है, एक सुविधा मानचित्र पैदा करती है।
2. फीचर मैप के प्रत्येक सेल को आरपीएन का उपयोग करके संसाधित किया जाता है, जो एंकर की स्थिति में सुधार और किसी भी वर्ग की वस्तु की उपस्थिति की संभावना के परिणामस्वरूप देता है।
3. तत्संबंधी पूर्वानुमानित फ्रेम फास्ट आर-सीएनएन भाग के आगे के प्रसंस्करण के लिए फीचर मैप और आरओआई परत पर आधारित हैं।
4. आउटपुट पर, हमें वस्तुओं का एक विशिष्ट वर्ग और छवि में उनकी सटीक स्थिति मिलती है।

सारांश अंतर

यहाँ आपस में मॉडलों का एक संक्षिप्त सार दिया गया है (मूल विचार छोटे से बड़े को विरासत में मिले हैं):

आर-सीएनएन:

• एक परिकल्पना जनरेटर के रूप में चयनात्मक खोज का उपयोग करना।
• परिकल्पनाओं के वर्गीकरण और प्रतिगमन के लिए एसवीएम + रिज का उपयोग करना (इसके अलावा, उनका समानांतर संचालन संभव नहीं है)।
• प्रत्येक परिकल्पना को व्यक्तिगत रूप से संसाधित करने के लिए एक तंत्रिका नेटवर्क चलाना।
• कम गति।

फास्ट आर-सीएनएन:

• एक तंत्रिका नेटवर्क को केवल एक बार प्रति चित्र के रूप में लॉन्च किया जाता है - सभी परिकल्पनाओं का परीक्षण एकल फीचर मानचित्र के आधार पर किया जाता है।
• RoI परत के कारण विभिन्न आकारों की परिकल्पनाओं का स्मार्ट प्रसंस्करण।
• एक सॉफ्टमैक्स परत के साथ एसवीएन की जगह।
• समानांतर काम वर्गीकरण और प्रतिगमन की संभावना।

तेज़ आर-सीएनएन:

• हाइपोथीसिस पीढ़ी एक विशेष रूप से अलग-अलग परिवर्तनीय मॉड्यूल का उपयोग करती है।
• आरपीएन मॉड्यूल के आगमन से जुड़ी छवि प्रसंस्करण में परिवर्तन।
• इन तीन मॉडलों में सबसे तेज।
• यह इस दिन के लिए सबसे सटीक है।

निष्कर्ष

अंत में, हम यह कह सकते हैं कि R-CNN का विकास असमान एल्गोरिदम से निकला है जो एक समस्या को एक ही एंड-टू-एंड समाधान की ओर हल करता है। यह संयोजन आपको लगभग किसी भी दृष्टिकोण को अधिक सटीक और सबसे अधिक उत्पादक बनाने की अनुमति देता है, ऑब्जेक्ट डिटेक्शन कोई अपवाद नहीं था।

ग्रन्थसूची

1. R. Girshick, J. Donahue, T. Darrell, and J. Malik. «Rich feature hierarchies for accurate object detection and semantic segmentation.» In CVPR, 2014. arXiv:1311.2524
2. R. Girshick, J. Donahue, T. Darrell, and J. Malik. «Region-based convolutional networks for accurate object detection and segmentation.» TPAMI, 2015
3. R. Girshick, «Fast R-CNN,» in IEEE International Conference on Computer Vision (ICCV), 2015.
4. S. Ren, K. He, R. Girshick, and J. Sun, «Faster R-CNN: Towards real-time object detection with region proposal networks,» in Neural Information Processing Systems (NIPS), 2015.