张量流对象检测：使用更多特征提取器和更快的 RCNN
tensorflow object detection: using more feature extractors with faster RCNN
我正在尝试对自定义的、相对简单的数据集（约 30k 个样本）执行对象检测。我已经成功地将 Faster_RCNN 与 Resnet101_v1（最终 mAP 0.9）和 inception_resnet_v2 特征提取器（进行中的训练）结合使用。现在我希望我的模型 运行 更快但仍然保持良好的性能，所以我想比较我拥有的模型，SSD 运行 各种版本 mobile_net。但是，要了解哪些性能变化来自 SSD，哪些来自特征提取器，我还想尝试使用 mobile_nets 的 Faster-RCNN。这也可能会在性能和推理时间之间产生我需要的权衡（更快的 RCNN 既好又慢，mobile_nets 快）。
原文MobileNets paper提到用Faster RCNN使用它，我猜他们使用了tensorflow模型检测API，所以也许他们已经发布了使MobileNets适应Faster RCNN的文件？
如何使 mobile_nets 与 Faster-RCNN 兼容？
我显然不是专家，但据我所知，你不能将 mobilenets 与 faster_rcnn 一起使用，mobilenets 基于 yolo，它与 faster_rcnn 的架构不同。
简而言之，需要创建 Faster-RCNN Feature Extractor 的 MobileNet 版本。这是我们正在考虑添加的内容，但不是当前的优先事项。
Google 最近发布了它的对象检测模型。
https://github.com/tensorflow/models/tree/master/object_detection
您可以使用此API（Xception、Inception ResNet、DenseNet 或 Mobile Net）轻松替换特征提取器和当前对象检测器。
很多物体识别系统中有两个共同的部分。第一部分是特征提取器（从图像输入中提取边缘、线条、颜色等特征）。第二部分是Object Detector (Faster R-CNN, SSD, YOLOv2).
我正在尝试对自定义的、相对简单的数据集（约 30k 个样本）执行对象检测。我已经成功地将 Faster_RCNN 与 Resnet101_v1（最终 mAP 0.9）和 inception_resnet_v2 特征提取器（进行中的训练）结合使用。现在我希望我的模型 运行 更快但仍然保持良好的性能，所以我想比较我拥有的模型，SSD 运行 各种版本 mobile_net。但是，要了解哪些性能变化来自 SSD，哪些来自特征提取器，我还想尝试使用 mobile_nets 的 Faster-RCNN。这也可能会在性能和推理时间之间产生我需要的权衡（更快的 RCNN 既好又慢，mobile_nets 快）。
原文MobileNets paper提到用Faster RCNN使用它，我猜他们使用了tensorflow模型检测API，所以也许他们已经发布了使MobileNets适应Faster RCNN的文件？
如何使 mobile_nets 与 Faster-RCNN 兼容？
我显然不是专家，但据我所知，你不能将 mobilenets 与 faster_rcnn 一起使用，mobilenets 基于 yolo，它与 faster_rcnn 的架构不同。
简而言之，需要创建 Faster-RCNN Feature Extractor 的 MobileNet 版本。这是我们正在考虑添加的内容，但不是当前的优先事项。
Google 最近发布了它的对象检测模型。
https://github.com/tensorflow/models/tree/master/object_detection
您可以使用此API（Xception、Inception ResNet、DenseNet 或 Mobile Net）轻松替换特征提取器和当前对象检测器。
很多物体识别系统中有两个共同的部分。第一部分是特征提取器（从图像输入中提取边缘、线条、颜色等特征）。第二部分是Object Detector (Faster R-CNN, SSD, YOLOv2).