rcnn算法

⑴ rcnn只保留64个框吗

是的
获取候选区域最直接的方式就是滑窗法，但是滑窗法需要用一个固定大小的小窗口遍历整张图片，因此其有很多的局限性。所以一般都是使用一些候选区域（Region Proposal）算法，候选区域算法使用一些图像分割的算法来识别潜在的物体，然后合并一些相似（可能颜色或者纹理相近）的小区域，然后就能获得许多的候选区域。
RCNN即region proposals（候选区域） + CNN，是将CNN引入目标检测领域的开山之作（2014年），大大提高了目标检测的效果，在其后也是出现了更优异的变体Fast RCNN, Faster RCNN。

⑵ CNN网络是否可以识别非标签的类

其实现在CNN已经可以开始做轮廓检测并且有不错的效果。目前基于CNN的轮廓检测方法的表现主要依赖于先进的CNN结构。2012年Imagenet冠军案例就是一个使用CNN进行物体识别的挑战，证明了CNN是有非常不错的物体识别能力和表现。之后它启发了Regions With CNNs (R-CNN)，主要目的是导入一张图片，通过方框正确识别主要物体在图像的哪个地方。它首先在图像中搞出一大堆方框，看看是否有任何一个与某个物体重叠，之后再CNN最后一层加入了一个支持向量机来对判断是否是物体并且对这个物体进行分类，最后在推荐区域上运行一个简单的线性回归，输出更紧的边框坐标得到最终结果。后来又再此基础上做出了Fast R-CNN和Faster R-CNN，加快了R-CNN算法的速度。2017年又出现了Mask R-CNN将之前的算法拓展到了像素级的图像分割。由此可见，CNN对于轮廓检测的效果是非常好的，同样在医疗行业CNN对于医学图像的轮廓检测的应用效果也非常不错。

⑶ 测试能证明软件没有任何缺陷么

原则1——测试显示缺陷的存在，但不能证明系统不存在缺陷。测试可以减少软件中存在未被发现缺陷的可能性，但即使测试没有发现任何缺陷，也不能证明软件或系统是完全正确的。

2）原则2——穷尽测试是不可能的。由于有太多的输入组合、有太多的路径，而且时间是有限的，无法做到完全的测试（100%测试覆盖率）。通过运用风险分析和不同系统功能的测试优先级，来确定测试的关注点，从而替代穷尽测试。

3）原则3——测试尽早介入。软件项目一启动，软件测试就应开始，也就是从项目启动的第一天开始，测试人员就应参与项目的各种活动和开展对应的测试活动。测试工作进行得越早，软件开发的劣质成本就越低，并能更好地保证软件质量。例如，在代码完成之前，可以进行各种静态测试，主导或积极参与需求文档、产品规格说明书等的评审，将问题消灭在萌芽阶段。

4）原则4——缺陷集群性。版本发布前进行测试所发现的大部分缺陷和软件运行失效是由于少数软件模块引起的。一段程序中发现的错误数越多，意味着这段程序的质量越不好。错误集中发生的现象，可能和程序员的编程水平、经验和习惯有很大的关系，也可能是程序员在写代码时情绪不够好或不在状态等。如果在同样的测试效率和测试能力的条件下，缺陷发现得越多，漏掉的缺陷就越多。这也就是着名的Myers 反直觉原则：在测试中发现缺陷多的地方，会有更多的缺陷没被发现。假定测试能力不变，通过测试会发现产品中90％的缺陷。如果在模块A 发现了180 个缺陷，在模块B 发现了45 个缺陷，意味着模块A 还有20 个缺陷没被发现，而模块B 只有5个缺陷未被发现。所以，对发现错误较多的程序段，应进行更深入的测试。

⑷ 为什么RCNN用SVM做分类而不直接用CNN全连接之后softmax输出

在多分类中，CNN的输出层一般都是Softmax。
RBF在接触中如果没有特殊情况应该是“径向基函数”（RadialBasisFunction）。
在DNN兴起之前，RBF由于出色的局部近似能力，被广泛应用在SVM的核函数中，当然也有熟悉的RBF神经网络（也就是以RBF函数为激活函数的单隐含层神经网络）。
如果说把RBF作为卷积神经网络的输出，觉得如果不是有特殊的应用背景，它并不是一个很好的选择。
至少从概率角度上讲，RBF没有Softmax那样拥有良好的概率特性。

⑸ Part-basedR-CNN是谁提出的

RossGirshick。
R-CNN是卷积神经网络CNN在图像识别领域的应用，FacebookAI研究团队在这条到道路上做出了颇多贡献，其中不得不提一位大神RossGirshick。他发明了RCNN，又提出速度更快的FastR-CNN。
2016年，微软研究院提出了FasterR-CNN，降低了在边框搜索上的运算量，进一步提高了算法的速度。2017年，FacebookAI研究团队又再次提出了MaskR-CNN，通过添加与现有分支并行的对象掩码objectmask分支，以增强FasterRCNN在边框识别上的性能。

⑹ 研究fast rcnn系列的目标检测算法有什么用

Faster RCNN用了整合了之前的RCNN啊，SPP-net啊，Fast RCNN啊这些网络的region proposal方式，提出了RPN，所谓RPN就是根据图像自身的色彩以及边缘信息等等来生成region proposal的一个网络，因此实现了end-to-end，但还是慢
YOLO就是把原图划成7x7的小格子，在每个格子里对目标进行预测，相当于固定了region proposal的位置和大小，所以没有了RPN，加快了速度，但是准确率下去了
SSD用了YOLO的思想，但是选了6个比例来对原图进行划分，这样就保证了大物体有大格子学，小物体有小格子学，不像YOLO只有一种大小的格子，准确率也提高了（相对于YOLO），速度也上去了（相对于Faster，SSD也没有RPN步骤）

⑺ mask rcnn要训练多少次

训练时间越久越好
基于Mask RCNN开源项目：https://github.com/matterport/Mask_RCN，图片标记工具基于开源项目：https://github.com/wkentaro/labelme，训练工具：win10+GTX1060+cuda9.1+cudnn7+tensorflow-gpu-1.6.0+keras-2.1.6，140幅图像，一共3类，1小时左右
有关labelme的使用可以参考：https://blog.csdn.net/shwan_ma/article/details/77823281，有关mask-rcnn和Faster RCNN算法可以参考：https://blog.csdn.net/linolzhang/article/details/71774168，https://blog.csdn.net/lk123400/article/details/54343550/。