AITerms 登入
深度學習電腦視覺模型訓練

加速區域卷積網路(Faster R-CNN)是什麼?

Faster R-CNN是一種物件偵測演算法,它使用區域建議網路(RPN)來生成候選區域,並使用卷積神經網路(CNN)對這些區域進行分類和邊界框回歸。

完整定義

Faster R-CNN (加速區域卷積網路) 是一種物件偵測演算法,它通過引入區域建議網路 (Region Proposal Network, RPN) 大幅提升了物件偵測的速度。RPN 負責生成可能包含物件的候選區域,然後使用卷積神經網路 (CNN) 對這些區域進行分類和邊界框回歸,從而實現快速且準確的物件偵測。

白話說明

你有沒有看過一張照片裡有好幾個物件,模型卻要找很久才標得出來?

你可以把 Faster R-CNN 想成先找可疑位置,再做精準確認的偵測流程,先縮小範圍,再判斷那裡是不是目標。

它重要,是因為物件偵測不只要知道「有沒有」,還要知道「在哪裡」,而這一步常比單純分類更費算力。

記住這句

先找可能的位置,再判斷是不是目標,就是 Faster R-CNN。

比喻:Faster R-CNN 就像一個經驗老道的偵探團隊 -- 一個偵探(RPN)先快速掃描現場,找出所有「可疑區域」;然後另一個更精細的偵探(CNN)再仔細檢查這些可疑區域,確認裡面有沒有「犯人」(物件),並且精準地畫出犯人的位置。

容易混淆

Faster R-CNN vs R-CNN

R-CNN 先找區域、再逐個丟給分類器,流程比較慢。

Faster R-CNN 把區域建議做得更自動,速度和整合度都更好。

錨框 vs 邊界框偵測

錨框是先放好的候選參考框。

邊界框偵測是最後真正輸出的物件位置,兩者不是同一件事。

實際案例

路口監視器

先從畫面裡找出可能有車、人、機車的位置,再做分類和框選,速度比逐格人工看快很多。

工廠品管

產線照片裡若要抓瑕疵位置,先用候選區域縮小檢查範圍,再做精細判讀會更有效率。

算法與應用

它的核心是區域建議網路 RPN,會先提出可能含有物件的區域。

接著共享卷積特徵,對候選區域做分類與邊界框回歸,形成兩階段偵測流程。

情境判斷

Q1:如果你要做圖片裡的人臉偵測,Faster R-CNN 會比只做分類更合適嗎?

會,因為你不只要知道有沒有臉,還要知道臉的位置,這正是物件偵測要解的問題。

Q2:如果你要在超低延遲手機端即時偵測,Faster R-CNN 一定是最佳選擇嗎?

不一定,因為它是兩階段流程,通常較重;若裝置算力有限,可能要看情況改用更輕量的偵測器。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本