Qual è la differenza tra CNN e R-CNN?

Voglio spiegare su CNN, RCNN, FAST RCNN, FASTER RCNN a breve. Poi sarà più facile parlare della differenza con CNN e R-CNN.

La visione artificiale ha creato un'area distinta come un ramo che è molto importante oggi. Anche se è stata accettata come un ramo dell'intelligenza artificiale e dell'apprendimento artificiale in passato, è diventata un'area di ricerca a sé stante in linea con le esigenze industriali e sociali. Fondamentalmente la computer vision mira a fare l'elaborazione dell'occhio umano in un tempo normale con l'aiuto dei computer. A questo punto, mi limiterò a parlare dei principali tipi di apprendimento profondo che dobbiamo conoscere e cercare di capire le differenze tra loro.

• CNN (Convolution Neural Network) CNN è un tipo di rete di apprendimento profondo sviluppato per l'elaborazione di immagini e video che ha fatto progressi significativi dal 2010 ed è ora ampiamente utilizzato nel mondo. Questo tipo di rete è generalmente composto da 4 strati. Nello strato di convoluzione, il filtro viene utilizzato come navigatore sull'immagine. Questo filtro si libra sulla nostra immagine e fa dei calcoli sui pixel del punto in cui si trova il filtro, rendendo ogni pixel di quel pixel un pixel della nuova immagine. Questa matrice raggiunta più di recente è chiamata feature map. In una rete CNN vengono utilizzati più filtri, e la feature map raggiunta più di recente viene modellata in base alla proprietà del filtro. Lo strato Relu segue lo strato di convoluzione e la funzione di attivazione Relu è usata per impostare i valori negativi nei dati in entrata su 0. Nello strato Pooling Layer, il pooling è fatto con il metodo di riduzione delle dimensioni delle mappe delle caratteristiche. Un altro scopo è quello di ridurre il numero di parametri e mantenere i parametri più marginali o critici. E infine, Flattening Layer converte l'ultima matrice che abbiamo in un singolo vettore e lo inserisce nella nostra rete neurale artificiale attraverso i nostri neuroni.
• Region Based Convolutional Neural Network (R-CNN)

In R-CNN, l'immagine viene prima divisa in circa 2000 raccomandazioni di regioni (region propotals) e poi CNN (ConvNet) viene applicata rispettivamente per ogni regione. La dimensione delle regioni viene determinata e la regione corretta viene inserita nella rete neurale artificiale. Il più grande problema di questo metodo è il tempo. Poiché ogni regione nell'immagine è applicata CNN separatamente, il tempo di addestramento è di circa 84 ore e il tempo di previsione è di circa 47 sec.

• R-CNNN veloce

La differenza di questo metodo da R-CNN è che non si divide prima in raccomandazioni di zone ufficiali, ma prima applica CNN e poi assegna le raccomandazioni di zone sulla mappa di proprietà covn5. Inoltre, nella parte di classificazione, il metodo è l'uso di softmax classifacition, che è una classificazione di apprendimento profondo che può essere realizzata in strati di rete neurale artificiale, non SVM. Poiché usa CNN una volta sola, c'è un grande guadagno di tempo. Il tempo di formazione è di circa 8,75 ore e il tempo stimato è di circa 2,3 secondi.

• Più veloce su R-CNN

In questo metodo, applichiamo prima CNN all'immagine come in Fast R-CNN e creiamo una mappa di caratteristiche. Da questo punto in poi, il cambiamento inizia secondo Fast R-CNN. Non prendiamo parte ai suggerimenti di zona creando una rete di suggerimenti di zona separata, ma con una ricerca selettiva. Il resto è quasi simile a Fast R-CNN. Qui, con il tempo che guadagniamo dalla proposta regionale, riduciamo il tempo di previsione a circa 0,3 secondi.