Open criloal23 opened 4 years ago
Como vimos la SPPnet resuelve el problema de "compartir poder computacional" utilizando el backbone CNN sobre toda la imagen (https://github.com/quebin31/stack-tia/issues/3#issuecomment-639559210), lo que ciertamente mejora el tiempo de testing y entrenamiento, pero todavía tiene un problema, sigue siendo una arquitectura multi-stage y además la operación de pooling no permite que los pesos de la red sean actualizados. Fast R-CNN propone un entrenamiento single-stage gracias a que utiliza una única función de perdida que combina todas las tareas requeridas por la red, además de introducir el RoI pooling que permite la actualización de pesos en la red, y finalmente no necesita guardar las características de la CNN en disco.
Daniela Ccopa Hancco
Lo que hace la Fast R-CNN es adoptar el método SPP Net sobre la base de R-CNN, mejorando así el rendimiento. Teniendo una arquitectura así:
Ventajas de Fast R-CNN:
Brayan Maguiña del Castillo Acotando con mis compañeros, la principal desventaja que tiene la SPP-NET y que resuelve la FAST R-CNN es que siemre se tenía que hacer un resize, lo cual era un proble y con el FAST R-CNN ya no se tenía que hacer dicho resize ya que aplicando una capa RoI pooling, obteníamos como salida un mapa de características de tamaño fijo que no dependían ni del tamaño del mapa de características de entrada ni del tamaño de las propuestas de región.
Nombres y apellidos
Cristian López Del Alamo
Contexto adicional sobre la pregunta
Cualquier contexto adicional para entender mejor el tema de la pregunta.
Mi posible respuesta
Si crees tener una respuesta pero no estás seguro, colócala aquí.