Faster R-CNN 论文总结

最新推荐文章于 2024-10-03 11:50:49 发布

2301_80740635

最新推荐文章于 2024-10-03 11:50:49 发布

阅读量633

点赞数 17

文章标签： cnn 人工智能神经网络

本文链接：https://blog.csdn.net/2301_80740635/article/details/140737251

版权

日期：2024年07月27日

2) Region Proposal Network (RPN)

边界框回归（Bounding-Box Regression）

非极大值抑制（Non-Maximum Suppression，NMS）

1.引言

1）简要介绍

Faster R-CNN是目标检测领域的关键进展，它通过引入Region Proposal Network (RPN) 显著提升了检测的效率和准确性。

2）论文摘要

最先进的目标检测网络依靠区域提出算法来假设目标的位置。SPPnet[1]和Fast R-CNN[2]等研究已经减少了这些检测网络的运行时间，使得区域提出计算成为一个瓶颈。在这项工作中，我们引入了一个区域提出网络（RPN），该网络与检测网络共享全图像的卷积特征，从而使近乎零成本的区域提出成为可能。RPN是一个全卷积网络，可以同时在每个位置预测目标边界和目标分数。RPN经过端到端的训练，可以生成高质量的区域提出，由Fast R-CNN用于检测。我们将RPN和Fast R-CNN通过共享卷积特征进一步合并为一个单一的网络——使用最近流行的具有“注意力”机制的神经网络术语，RPN组件告诉统一网络在哪里寻找。对于非常深的VGG-16模型[3]，我们的检测系统在GPU上的帧率为5fps（包括所有步骤），同时在PASCAL VOC 2007，2012和MS COCO数据集上实现了最新的目标检测精度，每个图像只有300个提出。在ILSVRC和COCO 2015竞赛中，Faster R-CNN和RPN是多个比赛中获得第一名输入的基础。代码可公开获得。

2.方法概述

1）Faster R-CNN的基本架构

2) Region Proposal Network (RPN)

功能：RPN的主要功能就是生成候选区域，接收经过卷积神经网络的生成特征图，产生候选区域（Region Proposal），相比于RCNN 与 Fast R-CNN所采用的SS(Selective Search)，效率得到了显著的提升。

工作原理：RPN通过滑动窗口机制遍历从卷积神经网络传来的特征图，在每一个位置生成9个anchors（分别为 Scales：128² px， 256² px， 512² px Aspect Ratios：1:1，1:2，2:1），对于每个锚框，RPN 输出一个对象性得分（objectness score）和相应的边界框回归（bounding box regression）。通过非极大值抑制（NMS），RPN 过滤掉重叠过大的候选区域，只保留最具代表性的区域。