Deprecated: Function get_magic_quotes_gpc() is deprecated in /home/ustmbir/domains/deeplearning.ir/public_html/qa/qa-include/qa-base.php on line 1177
منابع آموزشی برای Object Detection R-CNN - پرسش و پاسخ یادگیری عمیق
به بخش پرسش و پاسخ یادگیری عمیق خوش آمدید,
این نسخه آزمایشی سایت است.
لطفا به نکات زیر توجه کنید:
  • برای ارتباط با مدیران میتوانید از صفحه مدیران اقدام کنید.
  • سوال و جواب ها باید به زبان فارسی باشند. استفاده از زبان انگلیسی یا فینگلیش برای پاسخ دادن مجاز نیست.
  • لطفا بعد از پرسش سوال لینک سوال خود را در گرو تلگرام (Iran Deep Learning Group) معرفی کنید تا سریعتر به جواب برسید. برای دسترسی به آخرین لینک از منابع یادگیری استفاده کنید
  • لطفا بجای عکس از متن استفاده کنید. اگر متون طولانی هستند از سایت pastebin.com برای اپلود استفاده کرده و لینک حاصل را در سوال خود قرار دهید. برای قرار دادن تصویر ، از بخش ارسال تصویر ادیتور سایت استفاده کنید.
  • بعد از دریافت پاسخ، بهترین پاسخ را از طریق کلیک بر روی علامت تیک انتخاب کنید
  • اگر با خطا و یا مشکلی مواجه شدید از بخش تماس با ما در انتهای صفحه و یا ایمیل Coderx7@gmail.com موضوع را اطلاع دهید.

با تشکر

دسته بندی ها

+1 امتیاز

چه پیشنهادی در مورد منابع آموزشی برای موارد زیر دارید؟
R-CNN, FAST R-CNN, FASTER R-CNN
البته اگر آموزش بصورت تدریس باشه ( ویدیو) خیلی بهتره ولی خب بعضی متن ها هم خیلی خوبه

توسط (138 امتیاز)
ویرایش شده توسط

2 پاسخ

+3 امتیاز
 
بهترین پاسخ

منابع زیادی برای پادگیری این نوع معماری ها( detection object ) وجود داره که بهترین اونا همون کورس استنفورد هستش و همچنین مطالعه report هایی که در پایان این درس در سال 2017 و 2016 در سایت قرار داده شده .
پیشنها میکنم این لکچر که توسط Ross B. Girshick ارایه شد رو نیگاه کنید.

معماری هایی (R-CNN , …) جزء الگوریتم های تشخیص اشیاء دو مرحله ای هستند (این معماری ها در واقع دقیق ترین معماری های کنونی هستند اما مشکل بزرگ سرعت پایین اوناست) در حالی که معماری هایی مثل YOLO و SSD جزء الگوریتم های یک مرحله ای هستند که نسبت به معماری های دو مرحله ای از سرعت به مراتب خیلی بالاتر و معماری ساده تری برخوردار هستند.به نظر من وقت گذاشتن برای الگوریتم های دو مرحله ای مثل R-CNN زیاد منطقی به نظر نمیرسه ، پیشنهاد من اینه که یه خلاصه از این معماری ها رو یاد بگیرید و برید به سمت SSD. در لینکهای زیر خلاصه ای از تمامی معماری ها آورده شده:

1)RCNN,…

2)Single Shot detectors

3)YOLO

4)Multibox Single Shot Detector (SSD)

در پایان مقاله ای که اخیرا منتشر شده رو نیز مطالعه کنید:
Focal Loss for Dense Object Detection

این مقاله در مورد تغییر شکل تابع هزینه cross-entropy هستش.در مقاله ذکر میشه که Focal loss بر روی دیتابیس هایی که دارای کلاس های نامتوازن هستند بهتر عمل میکنه. پیشنهاد میکنم از این تابع هزینه بر روی SSD استفاده کنید.

توسط (415 امتیاز)
انتخاب شده توسط
کدوم لکچر کورس استنفورد مدنظرتون هست؟
منظور از کلاس های نامتوازن یعنی چی ؟
+1 امتیاز

سلام
پیشنهاد میکنم این مقاله رو هم حتما مطالعه کنید

Speed/accuracy trade-offs for modern convolutional object detectors

توسط (389 امتیاز)
...