rcnn演算法

⑴ rcnn只保留64個框嗎

是的
獲取候選區域最直接的方式就是滑窗法，但是滑窗法需要用一個固定大小的小窗口遍歷整張圖片，因此其有很多的局限性。所以一般都是使用一些候選區域（Region Proposal）演算法，候選區域演算法使用一些圖像分割的演算法來識別潛在的物體，然後合並一些相似（可能顏色或者紋理相近）的小區域，然後就能獲得許多的候選區域。
RCNN即region proposals（候選區域） + CNN，是將CNN引入目標檢測領域的開山之作（2014年），大大提高了目標檢測的效果，在其後也是出現了更優異的變體Fast RCNN, Faster RCNN。

⑵ CNN網路是否可以識別非標簽的類

其實現在CNN已經可以開始做輪廓檢測並且有不錯的效果。目前基於CNN的輪廓檢測方法的表現主要依賴於先進的CNN結構。2012年Imagenet冠軍案例就是一個使用CNN進行物體識別的挑戰，證明了CNN是有非常不錯的物體識別能力和表現。之後它啟發了Regions With CNNs (R-CNN)，主要目的是導入一張圖片，通過方框正確識別主要物體在圖像的哪個地方。它首先在圖像中搞出一大堆方框，看看是否有任何一個與某個物體重疊，之後再CNN最後一層加入了一個支持向量機來對判斷是否是物體並且對這個物體進行分類，最後在推薦區域上運行一個簡單的線性回歸，輸出更緊的邊框坐標得到最終結果。後來又再此基礎上做出了Fast R-CNN和Faster R-CNN，加快了R-CNN演算法的速度。2017年又出現了Mask R-CNN將之前的演算法拓展到了像素級的圖像分割。由此可見，CNN對於輪廓檢測的效果是非常好的，同樣在醫療行業CNN對於醫學圖像的輪廓檢測的應用效果也非常不錯。

⑶ 測試能證明軟體沒有任何缺陷么

原則1——測試顯示缺陷的存在，但不能證明系統不存在缺陷。測試可以減少軟體中存在未被發現缺陷的可能性，但即使測試沒有發現任何缺陷，也不能證明軟體或系統是完全正確的。

2）原則2——窮盡測試是不可能的。由於有太多的輸入組合、有太多的路徑，而且時間是有限的，無法做到完全的測試（100%測試覆蓋率）。通過運用風險分析和不同系統功能的測試優先順序，來確定測試的關注點，從而替代窮盡測試。

3）原則3——測試盡早介入。軟體項目一啟動，軟體測試就應開始，也就是從項目啟動的第一天開始，測試人員就應參與項目的各種活動和開展對應的測試活動。測試工作進行得越早，軟體開發的劣質成本就越低，並能更好地保證軟體質量。例如，在代碼完成之前，可以進行各種靜態測試，主導或積極參與需求文檔、產品規格說明書等的評審，將問題消滅在萌芽階段。

4）原則4——缺陷集群性。版本發布前進行測試所發現的大部分缺陷和軟體運行失效是由於少數軟體模塊引起的。一段程序中發現的錯誤數越多，意味著這段程序的質量越不好。錯誤集中發生的現象，可能和程序員的編程水平、經驗和習慣有很大的關系，也可能是程序員在寫代碼時情緒不夠好或不在狀態等。如果在同樣的測試效率和測試能力的條件下，缺陷發現得越多，漏掉的缺陷就越多。這也就是著名的Myers 反直覺原則：在測試中發現缺陷多的地方，會有更多的缺陷沒被發現。假定測試能力不變，通過測試會發現產品中90％的缺陷。如果在模塊A 發現了180 個缺陷，在模塊B 發現了45 個缺陷，意味著模塊A 還有20 個缺陷沒被發現，而模塊B 只有5個缺陷未被發現。所以，對發現錯誤較多的程序段，應進行更深入的測試。

⑷ 為什麼RCNN用SVM做分類而不直接用CNN全連接之後softmax輸出

在多分類中，CNN的輸出層一般都是Softmax。
RBF在接觸中如果沒有特殊情況應該是「徑向基函數」（RadialBasisFunction）。
在DNN興起之前，RBF由於出色的局部近似能力，被廣泛應用在SVM的核函數中，當然也有熟悉的RBF神經網路（也就是以RBF函數為激活函數的單隱含層神經網路）。
如果說把RBF作為卷積神經網路的輸出，覺得如果不是有特殊的應用背景，它並不是一個很好的選擇。
至少從概率角度上講，RBF沒有Softmax那樣擁有良好的概率特性。

⑸ Part-basedR-CNN是誰提出的

RossGirshick。
R-CNN是卷積神經網路CNN在圖像識別領域的應用，FacebookAI研究團隊在這條到道路上做出了頗多貢獻，其中不得不提一位大神RossGirshick。他發明了RCNN，又提出速度更快的FastR-CNN。
2016年，微軟研究院提出了FasterR-CNN，降低了在邊框搜索上的運算量，進一步提高了演算法的速度。2017年，FacebookAI研究團隊又再次提出了MaskR-CNN，通過添加與現有分支並行的對象掩碼objectmask分支，以增強FasterRCNN在邊框識別上的性能。

⑹ 研究fast rcnn系列的目標檢測演算法有什麼用

Faster RCNN用了整合了之前的RCNN啊，SPP-net啊，Fast RCNN啊這些網路的region proposal方式，提出了RPN，所謂RPN就是根據圖像自身的色彩以及邊緣信息等等來生成region proposal的一個網路，因此實現了end-to-end，但還是慢
YOLO就是把原圖劃成7x7的小格子，在每個格子里對目標進行預測，相當於固定了region proposal的位置和大小，所以沒有了RPN，加快了速度，但是准確率下去了
SSD用了YOLO的思想，但是選了6個比例來對原圖進行劃分，這樣就保證了大物體有大格子學，小物體有小格子學，不像YOLO只有一種大小的格子，准確率也提高了（相對於YOLO），速度也上去了（相對於Faster，SSD也沒有RPN步驟）

⑺ mask rcnn要訓練多少次

訓練時間越久越好
基於Mask RCNN開源項目：https://github.com/matterport/Mask_RCN，圖片標記工具基於開源項目：https://github.com/wkentaro/labelme，訓練工具：win10+GTX1060+cuda9.1+cudnn7+tensorflow-gpu-1.6.0+keras-2.1.6，140幅圖像，一共3類，1小時左右
有關labelme的使用可以參考：https://blog.csdn.net/shwan_ma/article/details/77823281，有關mask-rcnn和Faster RCNN演算法可以參考：https://blog.csdn.net/linolzhang/article/details/71774168，https://blog.csdn.net/lk123400/article/details/54343550/。