我有一个CNN体系结构，我对其进行了训练，以识别出一些最终需要实时使用的对象，然后将检测到的对象的输出用于进一步的工作。我有两个问题需要回答，以评估下一步需要做的事情：
随着我对CNN的深入研究，我发现有不同类型的CNN，例如更快的CNN。所以我想知道Keras在使用其conv2d函数时会使用哪种类型的架构（我将在下面为我的CNN架构提供代码）
生成的模型可以帮助我识别正在寻找的对象是否在图像中，但是我还希望在图像中找到预测区域。是否可以使用相同的体系结构，还是我需要使用其他类似YOLO的东西？
$ (master) git checkout -b ticket-abc master
$ (ticket-abc) git push origin ticket-abc
编辑：更具体地说，我想知道是使用什么tensorflow还是使用任何后端keras提供了基本的CNN，我们定义架构的方式是定义我们正在使用的CNN类型，例如区域CNN，快速CNN还是更快的CNN？还是在不同的级别上定义它？
我希望我能说清楚。
答案 0 :(得分：2)
关于您的第一个问题：Keras是“公正”的通用API，可以与TensorFlow，Theano或CNTK的不同后端一起使用。
Keras在layers.convolutional中定义了许多不同的卷积层，所有这些都是documented here。由于您使用TensorFlow作为后端，因此可以查看backend.tensorflow_backend来找出Keras使用的TensorFlow层。
但是，请注意，R-CNN，快速R-CNN等不是卷积层的特殊类型，而是CNN体系结构（就像YOLO一样）。您可以在this blog post中找到有关常规体系结构的更多信息。您可以找到R-CNN on GitHub的Keras实现。
关于第二个问题：您的模型仅用作对象检测器。为了确定对象在图像中的位置，您确实需要一个不同的体系结构。另外，您的训练数据将需要提供对象的位置。