R-CNN 简单梳理

最新推荐文章于 2023-10-07 11:56:26 发布
最新推荐文章于 2023-10-07 11:56:26 发布
阅读量2.3k 收藏 3
点赞数 3
分类专栏： 目标检测 文章标签： 深度学习 rcnn 神经网络 目标检测
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/xg123321123/article/details/53048204
版权

R-CNN 简单梳理

作者：xg123321123

出处：http://blog.csdn.net/xg123321123/article/details/53048204

声明：版权所有，转载请联系作者并注明出处

1 亮点

  • R-CNN将卷积神经网络应用到了自底向上的目标定位；

  • 以往的目标检测算法使用滑窗法（传统的SIFT，HOG等方法）依次判断所有可能的区域；而R-CNN是预先提取一系列较可能是物体的候选区域，之后只在这些候选区域上提取特征，进行判断；

  • 发现当标注数据比较少时，通过先在有监督的数据集上训练，然后到特定任务的数据集上fine-tuning的方法，可以得到较好的新能：也就是说使用Imagenet上训练好的模型，在需要训练的数据上fine-tuning，提升的效果显著。

2 大致流程

  • 一张图像生成1K~2K个候选区域（Regions）；
  • 对每个候选区域，使用深度网络（CNN）提取特征；
  • 特征送入每一类的SVM 分类器，判别是否属于该类；
  • 使用回归器精细修正候选框位置。
    这里写图片描述

3 候选区域生成

使用Selective Search方法从一张图像生成约2000-3000个候选区域。

Selective Search方法先基于各种颜色特征将图像划分为多个小块，然后自底向上地对不同的块进行合并，在这个过程中，合并前后的每一个块都对应于一个候选窗口，最后挑出最有可能包含待检测目标的窗口作为候选窗口。

具体流程

  • 使用过分割手段，将图像分割成小区域;
  • 查看现有小区域，合并可能性最高的两个区域,重复直到整张图像合并成一个区域为止；
  • 输出所有曾经存在过的区域，所谓候选区域；

合并规则

优先合并以下四种区域：

  • 颜色（颜色直方图）相近的；
  • 纹理（梯度直方图）相近的；
  • 合并后总面积小的；
    • 保证合并操作的尺度较为均匀，避免一个大区域陆续“吃掉”其他小区域；
    • 假设有区域a-b-c-d-e-f-g-h。较好的合并方式是：ab-cd-ef-gh -> abcd-efgh -> abcdefgh；不好的合并方法是：ab-c-d-e-f-g-h ->abcd-e-f-g-h ->abcdef-gh -> abcdefgh。
  • 合并后总面积在其Bounding box中所占比例大的。
    • 用于保证合并后形状规则。例：左图适于合并，右图不适于合并。
      这里写图片描述

上述四条规则只涉及区域的颜色直方图、纹理直方图、面积和位置。合并后的区域特征可以直接由子区域特征计算而来，速度较快。

为尽可能不遗漏候选区域，上述操作在多个颜色空间中同时进行（RGB,HSV,Lab等）。在一个颜色空间中，使用上述四条规则的不同组合进行合并。所有颜色空间与所有规则的全部结果，在去除重复后，都作为候选区域输出。

Selective Search的源码在这里。

候选区域生成和后续步骤相对独立，实际可以使用任意算法进行。

4 特征提取

预处理

  • 把候选区域抠出来，归一化成同一尺寸227×227。

  • 有一些细节会轻微影响性能：

    • 外扩的尺寸大小;
    • 形变时是否保持原比例;
    • 对框外区域直接截取还是补灰。

预训练网络

  • 使用ILVCR 2012的全部数据进行训练，输入预处理中归一化好的图片，输出1000维的类别标号；
  • 借鉴Hinton 2012年在ImageNet上的分类网络，略作简化；
  • 网络提取的特征为4096维，之后送入一个4096->1000的全连接(fc)层进行分类。
    这里写图片描述

调优网络

  • 训练数据的标定：考虑候选框图片和当前图像上所有标定框重叠面积最大的一个：如果重叠比例大于0.5，则认为此候选框为标定的类别之一；否则认为此候选框为背景；
  • 使用PASCAL VOC 2007的训练集，输入预处理中归一化好的图片，输出21维的类别标号，表示20类+背景；
  • 网络结构同上，只是将最后一层换成4096->21的全连接网络。

5 类别判断

分类器
对每一类目标，使用一个线性SVM二类分类器进行判别。输入为深度网络输出的4096维特征，输出是否属于此类。

正样本
本类的真值标定框。

负样本
考察每一个候选框，如果和本类所有标定框的重叠都小于0.3，认定其为负样本。

6 位置精修

目标检测问题的衡量标准是重叠面积。
许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小，所以需要进行位置精修。

训练样本
判定为本类的候选框中，和真值重叠面积大于0.6的候选框。

输入
N个候选框以及对应Ground Truth的坐标对

(Pi,Gi)i=1,...,N

Pi=(Pix,Piy,Piw,Pih) ,分别为第i个候选框的中心横纵坐标以及宽和高；
Gi=(
最低0.47元/天 解锁文章
时光杂货店
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【目标检测算法】R-CNN（详解）
风口IT猪的成长录
08-14 1万+
目标检测算法之R-CNN学习目标1. 目标检测-Overfeat模型1.1 滑动窗口1.2 Overfeat模型总结2. 目标检测-R-CNN模型2.1 完整R-CNN结构2.2 候选区域（Region of Interest）得出2.3 CNN网络提取特征2.4 特征向量训练分类器SVM2.5 非最大抑制（NMS）2.6 修正候选区域3. 检测的评价指标3.1 IoU交并比3.2 平均精确率（mean average precision）map4. R-CNN总结4.1 流程总结4.2 缺点5. 总结6.
R-CNN系列算法解读
Mzcc_bbms的博客
12-23 988
Mask-RCNN算法详细解读R-CNN系列from R-CNN to Mask-RCNNsliding windows detectorSelective searchR-CNNFast R-CNNMask-RCNN R-CNN系列 from R-CNN to Mask-RCNN R-CNN Fast R-CNN Faster R-CNN FPN FPN + RPN + Fast R-CNN FPN + RPN + Fast R-CNN + Mask Prediction sliding window
第85步 时间序列建模实战：CNN回归建模
qq_30452897的博客
10-07 1643
第85步 时间序列建模实战：CNN回归建模
RCNN简介
weixin_45680994的博客
10-28 3096
RCNN（Regions with CNN features）是在2014年提出的一种目标检测算法，RCNN是将CNN方法应用到目标检测问题上的一个里程碑，借助CNN良好的特征提取和分类的性能，通过REgionPropo方法实现目标检测。 RCNN的特点与流程总结 一：速度 经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断。 二：训练集 经典的目标检测算法在区域中提取人工设定的特征（Haar，HOG）。本文则需要训练深
R-CNN系列详解
weixin_36670529的博客
02-21 2380
1、从传统方法到R-CNN 基于传统的方法，先要进行区域建议的生成，然后对每个区域进行手工特征的设计和提取，然后送入分类器。在Alexnet出现后，CNN的性能比较好，不但可以学习手工特征还有分类器和回归器。CNN主要用来提取特征，SS提取出的最小外接矩形可能不精准，这样的话就需要Bounding Box回归对区域的位置进行校正。输入图片SS算法算...
R-CNN和Fast R-CNN组内汇报PPT
03-12
本文档对R-CNN和Fast R-CNN的组内汇报进行了详细的介绍，涵盖了目标检测领域的发展、R-CNN的提出、Selective Search算法、R-CNN算法流程、Fast R-CNN的改进等方面。 随着人工智能和深度学习技术的发展，目标检测...
R-CNN、SPPNet、Fast Rcnn、Faster R-CNN 原理以及区别
01-06
R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先...
深度学习的目标检测技术演进：R-CNN、FastR-CNN、FasterR-CNN
02-25
本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object...
Faster R-CNN backbone - ResNet101.zip
07-03
Faster R-CNN 的基础网络，ckpt 文件
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
2. 候选区域/窗 + 深度学习分类，如 R-CNN、Fast R-CNN、Faster R-CNN 等 3. 基于深度学习的回归方法，如 YOLO、SSD、DenseBox 等 三、候选区域/窗 + 深度学习分类 候选区域/窗 + 深度学习分类是目标检测算法的一...
手把手实现MATLAB的CNN回归
qq_41043389的博客
11-08 3万+
基于MATLAB的深度学习工具箱（推荐2018以上），实现CNN回归。 网上的例子比较少，这里简单的说一下传统的多输入单输出怎么做。手把手的教（PS:MATLAB自带一个回归教程，竟然还是有学生不知道对照着写） 1、首先加载数据与数据集划分 clc;clear;close all load data n=700; train_x=input(:,1:n); train_y=output(:,1:n); test_x=input(:,n+1:end); test_y=output(:,n+1:end
大话目标检测经典模型（RCNN、Fast RCNN、Faster RCNN）
qq_33287871的博客
10-04 1007
目标检测是深度学习的一个重要应用，就是在图片中要将里面的物体识别出来，并标出物体的位置，一般需要经过两个步骤： 1、分类，识别物体是什么 2、定位，找出物体在哪里 除了对单个物体进行检测，还要能支持对多个物体进行检测，如下图所示： 这个问题并不是那么容易解决，由于物体的尺寸变化范围很大、摆放角度多变、姿态不定，而且物体有很多种类别，可以在图片中出现多种物体、出现在任意位置。因此，目标检测是一个比较复杂的问题。 最直接的方法便是构建一个深度神经网络，将图像和标注位置作为样本输入，然后经过CNN网络，再.
【深度学习】R-CNN 论文解读及个人理解
热门推荐
frank 的专栏
08-24 22万+
背景 本篇论文的题目是 《Rich feature hierarchies for accurate oject detection and semantic segmentation》，翻译过来就是针对高准确度的目标检测与语义分割的多特征层级，通俗地来讲就是一个用来做目标检测和语义分割的神经网络。 本文作者：Ross Girshick，JeffDonahue,TrevorDarrell,Ji...
R-CNN论文详解（论文翻译）
Cheese的博客
05-08 10万+
faster-rcnn在深度学习领域算是一篇开创性的论文，对后续产生的而网络有很重要的意义，认真读懂这篇论文，相信也算是深度学习入门了 。今天又重新读了读faster-rcnn,整理了一份阅读笔记，整理的过程使自己对整个深度学习又有了更深的理解。果然论文还是应该多读几遍才能理解的。
基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN
weixin_34277853的博客
05-04 5287
object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。 object detection技术的演进：RCNN->Spp...
R-CNN论文详解
wzy的博客
10-15 1万+
paper链接：Rich feature hierarchies for accurate object detection and semantic segmentation &创新点 采用CNN网络提取图像特征，从经验驱动的人造特征范式HOG、SIFT到数据驱动的表示学习范式，提高特征对样本的表示能力； 采用大样本下有监督预训练+小样本微调的方式解决小样本
R-CNN系列文章
ture_dream的博客
10-09 1万+
R-CNN学习                      1、简介        R-CNN是深度学习在目标检测任务上的应用，其中R对应于“Region(区域)”。整体框架与传统方法相似。        本文两个关键点是：1、使用候选窗口，并用CNN对其进行特征提取；2、样本缺乏时，使用大量辅助样本预先训练，再用自己样本进行微调。         整体框架大致为：生成候选窗口(Sele
目标检测算法总结（1）——R-CNN
qq_45878378的博客
08-30 1002
目标检测算法总结——R-CNN1 前言 1 前言 目标检测是人工智能里的一个传统领域，它的基本任务是图像识别并确定识别目标的基本位置。在2012年之前，目标检测所使用的传统方法主要分为三步：区域选择 、特征提取 、分类。这些传统方法有着耗时严重、产生过多冗余、鲁棒性差等缺点，使得整个目标检测发展较慢。2012年开始，深度卷积网络被应用到目标检测，取得了突破性进步，而R-CNN便是目标检测卷积网络中的第一个里程碑。 R-CNN诞生在2013年，作者是Ross Girshick，对应的paper是《Rich f
RCNN系列之Fast RCNN详解
fangfang的专栏
01-09 2309
RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。这一系列是个递进关系，也是目标检测使用two-stage方法的一个发展过程。想要更好的理解Faster RCNN和R-FCN，只能把这些算法都梳理清楚了，才能明白算法的整个优化过程。 本篇讲解的是Fast RCNN。2015年，在SPPNet之后发表在IEEE。 理解了SPPNet之后，我们知道了RC
R-CNN、fast-R-CNN、faster-R-CNN、mask-R-CNN介绍
最新发布
03-01
R-CNN（Region-based Convolutional Neural Networks）是一种目标检测算法，它通过两个阶段来检测图像中的目标物体。首先，R-CNN使用选择性搜索（Selective Search）算法生成一系列候选区域，然后对每个候选区域进行...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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