Light-Head R-CNN算法笔记

最新推荐文章于 2024-08-05 11:09:30 发布
最新推荐文章于 2024-08-05 11:09:30 发布
阅读量1.1w 收藏 30
点赞数 7
分类专栏： 深度学习 目标检测-object detection 计算机视觉 文章标签： 深度学习与计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014380165/article/details/78651060
版权
Light-Head R-CNN是针对Faster R-CNN和R-FCN的加速优化，通过简化ROI预测框过程，减少了计算复杂性和存储需求。该算法将网络分为body和light head两部分，body负责生成region proposal，light head进行高效预测。实验证明，Light-Head R-CNN在速度和准确率上优于其他算法，尤其是通过thin feature map和large separable convolution的设计，有效平衡了速度和精度。
摘要由CSDN通过智能技术生成

论文：Light-Head R-CNN: In Defense of Two-Stage Object Detector
链接：https://arxiv.org/abs/1711.07264
代码链接：https://github.com/zengarden/light_head_rcnn

这篇旷视的文章主要是对Faster RCNN、R-FCN算法做加速，取名为Light-Head RCNN，是因为作者将two stage的object detection算法的网络结构分成两部分，一部分是region proposal（或者叫ROI）的生成过程（文章中命名为body部分），另一部分是基于ROI预测框的过程（文章中命名为head部分）。对于像Faster RCNN、R-FCN这样的two stage的object detection算法，第二部分有一些操作耗时且存储量较大，因此称为heavy head。而本文的light head RCNN则是通过对第二部分的修改减少了许多复杂操作，所以称之为light head。

先来感受下Light-Head RCNN算法和其他算法相比的提升情况。Figure1是Light-Head RCNN算法和其他object detection算法在速度和准确率上的直观对比，可以看出在这两方面的优势还是很明显的。

这里写图片描述

Light-Head RCNN的主网络主要采用ResNet101（文中用”L“表示）或Xception（文中用“S”表示），前者的精度较高（比目前two stage的算法要高），后者的速度较快（比目前one stage的算法要快），可以看最后的实验分析。

Figure2介绍的是Faster RCNN、R-FCN和本文的Light-Head RCNN在结构上的对比。在Figure2中的三个网络，大体上都可以分成两大部分：RCNN subnet和ROI warping，其实严格讲还有一部分是分类网络提取特征，而这三个部分之间的关系大概是这样的：ROI warping以分类网络提取到的特征为基础来生成尺寸固定的ROI，而RCNN subnet则是以分类网络提取到的特征和ROI warping生成的ROI为输入来做分类和回归的。因此Figure2中三个网络结构中的虚线框部分的输入除了箭头所示的用分类网络提取的feature map外，还包括RPN网络生成的ROI。

Faster RCNN如Figure2A所示，先用分类网络（原论文中是用VGG

最低0.47元/天 解锁文章
AI之路
关注
专栏目录
Light-Head-R-CNN
05-10
神经网络头中的Light Head R-CNN和FPN（特征图金字塔）以及卷积层的共享权重 平台介绍 Detectron的目标是为对象检测研究提供高质量，高性能的代码库。 它被设计为灵活的，以支持对新研究的快速实施和评估。 ...
Light-Head R-CNN
dekiang
10-20 460
目录1. Motivation2. Light-Head R-CNN2.1 整体结构2.2 关键点3. 实验 论文：Light-Head R-CNN: In Defense of Two-Stage Object Detector 时间：2017 1. Motivation 对two-stage模型的的两个阶段进行命名： body：生成proposal的部分（backbone+RPN） head：对proposal进行分类和回归的部分 为了提高准确率，two-stage模型将head设计得很复杂(hea
神经网络算法 - 一文搞懂CNN（卷积神经网络）
最新发布
weixin_53880910的博客
08-05 1557
本文将从CNN解决了什么问题、人类的视觉原理、CNN的基本原理、典型的CNN及实际应用四个方面，带您一文搞懂卷积神经网络CNN。
目标检测算法之Light-Head R-CNN
I good vegetable a!
06-14 477
1. 前言 今天要为大家介绍一个RCNN系列的一篇文章，这也是COCO 2017挑战赛上获得冠军的方案。之前我们讲过了很多RCNN系列的检测论文了，例如Faster RCNN（请看公众号的Faster RCNN电子书）以及R-FCN 目标检测算法之NIPS 2016 R-FCN（来自微软何凯明团队） 。然后R-FCN是对Faster RCNN网络进行了改进，去掉了全连接层使得网络成为了全卷积网络，从而提升了检测速度，那么还能不能继续对R-FCN进行改进呢？Light-Head RCNN就实现了这一改进，我们
【Light-Head RCNN】《Light-Head R-CNN: In Defense of Two-Stage Object Detector》
bryant_meng
09-10 859
arXiv preprint arXiv:1711.07264 bullet rather than bald 文章目录1 Motivation2 Innovation3 Advantages4 Methods4.1 R-CNN subnet4.2 Thin feature maps for RoI warping4.3 LightHead RCNN for Object Detection4...
目标检测之Light-Head R-CNN
thisiszdy的博客
05-07 506
一、目标检测之Light-Head R-CNN Light-Head R-CNN: In Defense of Two-Stage Object Detector 论文链接：https://arxiv.org/abs/1711.07264 论文翻译：https://blog.csdn.net/thisiszdy/article/details/89915729 论文详解：https://blog...
Light-Head R-CNN源代码，tensorflow版本
06-01
本项目名为"light_head_rcnn-master"，提供了完整的源代码，便于开发者理解和复现Light-Head R-CNN的算法。 目标检测是计算机视觉领域的一个关键任务，它涉及到在图像中识别并定位出特定对象。R-CNN（Region-based ...
去雾算法Light-DehazeNet_去雾算法
09-24
Light-DehazeNet是近年来在这一领域提出的一种新型轻量级卷积神经网络（CNN）架构，专门针对单图像去雾任务设计。本文将深入探讨Light-DehazeNet的工作原理、特点以及其在实际应用中的优势。 一、去雾算法的背景与...
mvpose中的light-head-rcnn models
11-27
Light-Head R-CNN是基于 Faster R-CNN 的改进版，Faster R-CNN是一种经典的两阶段目标检测框架，由区域提议网络（Region Proposal Network，RPN）和分类及回归网络组成。然而，Faster R-CNN在处理复杂场景时可能会...
light-head论文
09-10
接着，Light-Head R-CNN（2017）是R-CNN系列的优化版本，由Xiaolong Wang等人提出。传统的R-CNN系列模型在处理高分辨率特征图时，计算量大，速度慢。Light-Head R-CNN通过设计轻量级的头部检测器，大幅度减少了计算...
目标检测系列：light head rcnn
qq_39068872的博客
03-31 463
论文链接：https://arxiv.org/pdf/1711.07264.pdf 文章目录1. Introduction2. Light head R-CNN2.1 RCNN 子网2.2 Light head rcnn3. 实验细节4 总结 1. Introduction 都知道two-stage方法要比one-stage精度高，但是运行速度要慢很多，通过实验发现，faster rcnn和R-F...
LightCNN: 用于数据清洗的网络
xungeer29 的博客
03-08 3155
A Light CNN for Deep Face Representation with Noisy Labels 最近的工作需要对CELEB-500K的人脸ID数据进行清洗，原论文中先使用Celeb-Face数据集训练预模型，在这里我们选用了 LightCNN 作为训练网络。 LightCNN github 论文精读 文章中提出了一种 Light CNN架构的卷积神经网络，适用于有大量噪声的...
Light-Head R-CNN 阅读笔记
Zealoe的博客
11-22 5794
目前的 object detection 基本基于两种框架，一种是 two-stage 的，是R-CNN一系列的方法；另一种是 one-stage 的，比如YOLO，SSD。虽然 two-stage 的方法比one-stage的方法更准确，但速度慢。作者认为 two-stage 速度慢的原因，two-stage 的方法在本身的一个基础网络上都会附加计算量很大的一个用于 classification+regression 的网络，导致速度变慢。因此，作者为了解决 detection 的速度问题，提出了一种新的
Cascade R-CNN详解
qq_52053775的博客
10-01 2671
如图1 (b).所示展现的是，
Cascade R-CNN
bestrivern的博客
11-04 1462
本篇文章主要解决了在目标检测中，检测框不是特别准，容易出现噪声干扰的问题，即close false positive，为什么会有这个问题呢？作者实验发现，因为在基于anchor的检测方法中，我们一般会设置训练的正负样本（用于训练分类以及对正样本进行坐标回归），选取正负样本的方式主要利用候选框与ground truth的IOU占比，常用的比例是50%，即IOU>0.5的作为正样本，IOU&l...
Cascade R-CNN解析
08-03 3056
在目标检测中，需要通过IoU (intersection over union)阈值来定义正负。用低IoU阈值(例如0.5)训练的目标检测器通常会产生噪声检测。但是，随着IoU阈值的增加，检测性能趋于下降。产生这个问题主要有两个原因： 1、随着网络训练的深入，正样本迅速减少导致过拟合； 2、训练和推理使用不同的IOU阈值很容易出现检测问题。 为了解决IOU阈值设置的问题，作者提出适用于多阶段目标检测结构模型的：Cascade R-CNN用来解决这些问题。它由一系列的检测器来...
今天我们来看看Cascade R-CNN算法是什么
huduokyou的博客
09-14 670
第一个级联阶段的RPN相对保守，它筛选出质量较高的候选区域并通过Fast R-CNN进行进一步的分类和回归。随着级联阶段的增加，后续阶段的RPN会筛选出更加具有挑战性的候选区域，以实现更精确的检测结果。该算法通过多个级联阶段的组合，逐步提高了对象检测器的准确性，并在保持较快处理速度的同时，为实时物体检测提供了可行解决方案。我们展望Cascade R-CNN在自动驾驶、智能监控等领域的深入应用，并期待该算法能够为相关领域的研究和发展带来更多的启示和突破。该算法也为其他相关领域的研究提供了借鉴。
Cascade Rcnn 的简单理解
shenjianhua005的专栏
03-13 9480
接触到Cascade Rcnn 是因为学习别人的一个比赛时看到的，处于好奇，就很想知道这个Cascade Rcnn是一个啥。 论文地址：https://arxiv.org/abs/1712.00726 原理可以用论文中的这个图片来说明： Figure 3. The architectures of different frameworks. “I” is input image, “conv” backbone convolutions, “pool” region-wise feature e.
评论 18
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值