Qual é a diferença entre CNN e R-CNN?

Quero explicar sobre CNN, RCNN, FAST RCNN, FASTER RCNN em breve. Então será mais fácil falar da diferença com CNN e R-CNNN.

A visão do computador criou uma área distinta como um ramo que é muito importante hoje em dia. Embora tenha sido aceite como um ramo de inteligência artificial e aprendizagem artificial no passado, tornou-se uma área de investigação em si mesma em linha com as necessidades industriais e sociais. Basicamente, a visão por computador visa fazer o processamento do olho humano em um momento normal com a ajuda de computadores. Neste ponto, vou simplesmente falar sobre os principais tipos de aprendizagem profunda que precisamos conhecer e tentar compreender as diferenças entre eles.

>ul>li>CNN (Convolution Neural Network) A CNN é um tipo de rede de aprendizagem profunda desenvolvida para o processamento de imagens e vídeos que tem feito progressos significativos desde 2010 e é hoje amplamente utilizada no mundo. Este tipo de rede é geralmente composta por 4 camadas. Na camada Convolution, o filtro é usado como um navegador sobre a imagem. Esse filtro paira sobre nossa imagem e faz cálculos sobre os pixels do local onde o filtro está localizado, fazendo de cada pixel desse pixel um pixel na nova imagem. Esta matriz mais recentemente alcançada é chamada de mapa de características. Vários filtros são usados em uma rede CNN, e o mapa de características acessado mais recentemente é moldado de acordo com a propriedade no filtro. A camada Relu segue a camada de convolução e a função de ativação Relu é usada para definir os valores negativos nos dados recebidos para 0. Na camada Pooling Layer, o pooling é feito com o método de redução do tamanho do mapa de características. Outro objetivo é reduzir o número de parâmetros e manter os parâmetros mais marginais ou críticos. E finalmente, Flattening Layer converte a última matriz que temos em um único vetor e a coloca em nossa rede neural artificial através de nossos neurônios. Rede Neural Convolucional Baseada na Região (R-CNNN)

No R-CNN, a imagem é primeiramente dividida em aproximadamente 2000 recomendações de região (propotas de região) e depois CNN (ConvNet) é aplicada para cada região respectivamente. O tamanho das regiões é determinado e a região correta é inserida na rede neural artificial. O maior problema deste método é o tempo. Como cada região da figura é aplicada CNN separadamente, o tempo de treinamento é de aproximadamente 84 horas e o tempo previsto é de aproximadamente 47 seg.

• Fast R-CNNN

A diferença deste método do R-CNNN é que ele não se divide primeiro em recomendações de zona oficial, mas primeiro aplica a CNN e depois o aloca às recomendações de zona no mapa de propriedades covn5. Além disso, na parte de classificação, o método é o uso da classificação softmax, que é uma classificação de aprendizagem profunda que pode ser realizada em camadas de redes neurais artificiais, e não SVM. Como ele usa CNN uma vez, há um grande ganho em tempo. O tempo de treinamento é de aproximadamente 8,75 horas e o tempo estimado é de cerca de 2,3 segundos.

• Faster on R-CNN

p> Neste método, primeiro aplicamos a CNN à imagem como no Fast R-CNN e criamos um mapa de características. A partir deste ponto, a mudança começa de acordo com o Fast R-CNNN. Não tomamos parte nas sugestões de zona criando uma rede de sugestões de zona separada, mas com uma pesquisa seletiva. O resto é quase similar ao Fast R-CNN. Aqui, com o tempo que ganhamos com a proposta regional, reduzimos o tempo de previsão para aproximadamente 0,3 segundos.