【论文笔记】【目标检测】Fast RCNN详解

最新推荐文章于 2024-07-22 12:27:09 发布
最新推荐文章于 2024-07-22 12:27:09 发布
阅读量1.5k 收藏 4
点赞数
分类专栏： 计算机视觉 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/Chen_Swan/article/details/105631207
版权
Fast RCNN是RCNN的优化版本，通过引入ROI Pooling层实现多尺度输入和共享计算，同时进行分类和边框回归训练。它解决了RCNN的训练繁琐、耗时和速度慢的问题，提高了mAP。Fast RCNN采用预训练网络，使用ROI Pooling替代最大池化层，通过多任务损失函数进行联合训练，提升了目标检测的效率和精度。
摘要由CSDN通过智能技术生成

Fast RCNN是对RCNN论文的改进。

 

RCNN简介：

(1)image input；
(2)利用selective search 算法在图像中从上到下提取2000个左右的Region Proposal；
(3)将每个Region Proposal缩放(warp)成227*227的大小并输入到CNN，将CNN的fc7层的输出作为特征；
(4)将每个Region Proposal提取的CNN特征输入到SVM进行分类；
(5)对于SVM分好类的Region Proposal做边框回归，用Bounding box回归值校正原来的建议窗口，生成预测窗口坐标.
缺陷:
(1) 训练分为多个阶段，步骤繁琐：微调网络+训练SVM+训练边框回归器；
(2) 训练耗时，占用磁盘空间大；5000张图像产生几百G的特征文件；
(3) 速度慢：使用GPU，VGG16模型处理一张图像需要47s；
(4) 测试速度慢：每个候选区域需要运行整个前向CNN计算；
(5) SVM和回归是事后操作，在SVM和回归过程中CNN特征没有被学习更新.

相比于RCNN， fast rcnn解决的问题在于：

（1）在最后一个卷积后加入了ROI pooling layer，这使输入的图片可以多尺度，且共享了计算。

（2）RCNN在训练过程时，直接对bounding-box进行回归训练，不能在卷积层进行更新。fast rcnn在卷积上就对位置进行了回归。

fast rcnn的贡献点：

（1）

最低0.47元/天 解锁文章
Chen_Swan
关注
专栏目录
二阶段目标检测网络-Faster RCNN 详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-09 1127
backbone 为 vgg16 的 faster rcnn 网络结构如下图所示，可以清晰的看到该网络对于一副任意大小 PxQ 的图像，首先缩放至固定大小 MxN，然后将 MxN 图像送入网络。
论文阅读笔记 之 Fast R-CNN
流觞时光
10-15 494
Fast R-CNN提出问题本文贡献网络结构算法流程训练batch组成选择损失函数其它改进检测结果总结主要缺点模型评估参考文献及资料 论文主要基础（前作）（先看完这两篇后再食用fast-RCNN更加）： R-CNN，SPP-Net 提出问题 R-CNN与SPP-Net有以下缺点： ① 多阶段训练。需要分别训练特征提取网络、SVM分类器、边框回归部分，训练不连续，耗费时间 ② 对于SVM和边框回归的训练，需要从每个建议区域提取特征并存储到磁盘中，需要占据大量的存储空间 ③ SPP-Net的训练中，空间金字塔池
【目标检测】Fast RCNN算法详解
热门推荐
shenxiaolu1984的专栏
04-12 20万+
继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。
Fast R-CNN网络结构、框架原理详解
最新发布
qq_52191127的博客
07-22 1501
在Fast R-CNN中，并不适用SS算法提供的所有的候选区域，SS算法会差不多得到2000个候选框，但是训练的过程中其实只需要使用其中的一部分就可以了，Fast R-CNN中好像只挑选了其中的64个。分别对应着我们回归参数 x 的smoothL1的回归损失，回归参数 y 的smoothL1的回归损失，回归参数 w 的smoothL1的回归损失与最后的回归参数 h 的smoothL1的回归损失。而当u不满足条件时，也就是u<1时，也就是u=0时，（u为类别的标签），此时类别标签为背景，公式的值为0.
Fast R-CNN论文详解
WoPawn的博客
09-07 3万+
废话不多说，上车吧，少年paper链接：Fast R-CNN &创新点 规避R-CNN中冗余的特征提取操作，只对整张图像全区域进行一次特征提取； 用RoI pooling层取代最后一层max pooling层，同时引入建议框信息，提取相应建议框特征； Fast R-CNN网络末尾采用并行的不同的全连接层，可同时输出分类结果和窗口回归结果，实现了end-to-end的多任务训练【建议框提取除外】，也
RCNN系列之Fast RCNN详解
fangfang的专栏
01-09 2342
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
RCNN学习笔记(4)：fast rcnn
Focusing on your own Mind :) －> 站在巨人的肩膀上
04-25 3万+
reference link: http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/ http://blog.csdn.net/shenxiaolu1984/article/details/51036677 论文出处见：http://arxiv.org/abs/1504.08083 项目见：https://gith
fast-rcnn 详解
yzf0011的专栏
08-06 6349
Introduction图像检测有两大挑战： 1. 需要处理大量的候选对象(proposals or candidate objects) 2. 提供的候选对象的位置通常是粗略的，需要修缮 本文一大特点:在single stage 进行model：区分proposal和其位置信息(spatial location)同时进行RCNN缺点 Training is a multi-stage pip
目标检测--Fast RCNN详解-多细节
qinghuaci666的博客
06-13 3411
Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015. 继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。在Github上提供了源码。 同样使用最大规模的网...
【PyTorch实战演练】Faster R-CNN介绍以及通过预训练模型30行代码实现目标检测_faster rcnn预训练模型
2401_84520150的博客
04-21 849
按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解及成果，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。本文介绍Faster R-CNN的结构及原理，并基于PyTorch官方文档使用预训练好的模型进行目标检测实例。关于面试刷题也是有方法可言的，建议最好是按照专题来进行，然后由基础到高级，由浅入深来，效果会更好。Java基础部分算法与编程数据库部分流行的框架与新技术（Spring+SpringCloud+SpringCloudAlibaba）
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。
fast-rcnn详解
qq_52053775的博客
05-29 1万+
FastR-CNN算法及训练过程 R-CNN显著提升了目标检测算法的性能，但因为计算过于复杂，耗时很长，所以在实际的应用系统中，大都无法使用。经过分析可知，R-CNN的复杂性主要来自两个方面：一是需要针对大量的候选框分别进行计算；二是特征提取之后的分类器训练和位置回归，是几个独立步骤分别进行的。在训练过程中，提取的特征要先存储在硬盘上，然后训练SVM分类模型，最后训练位置回归模型，而测试过程也是类似的，特征提取之后，需要先进行SVM分类，再回归目标的准确位置，整个过程在计算时间和存储...
Fast R-CNN 详解
Kula的博客
03-22 2060
（一）R-CNN 和 SPPNet（二）网络结构
Fast RCNN算法详解
woduitaodong2698的博客
03-31 451
Fast RCNN算法详解论文背景算法对比算法背景算法详解ROI Pooing初始化预训练神经网络微调多任务损失函数Mini-batch samplingBack-propagation through RoI pooling layers.SGD hyper-parameters实验 论文背景 论文名称：Fast R-CNN 论文链接：https://arxiv.org/abs/1504.080...
FastRCNN论文详解
yanghao201607030101的博客
10-22 1926
FastRCNN是基于RCNN和SPPnet等网络的基础上上做了系列的创新型的改进得到的，比起前面的工作既提高了训练和测试的速度，也提高了一点准确度。 文章作者分析了RCNN和SPPnet各自的 缺点，然后对比指出自己的Fast RCNN带来了哪些贡献。 RCNN的缺点： Training is a multi-stage pipeline 。RCNN训练是一个多阶段的流程，分三个阶段，分别是为一、CNN做fine-tuning；二、利用微调之后得到的特征训练SVM；三、训练bounding box re
【论文阅读】Fast RCNN论文详解
想当咸鱼的猫
11-04 1290
Fast RCNN 1. Introduction 1.1 R-CNN R-CNN存在以下几个问题： Training is a multi-stage pipeline： 训练分多步，每次训练需要fine tuning一个预训练网络，然后region proposals要通过selective search算法获取，还有针对每一个类别都训练一个SVM分类器，最后还要用regressor对bounding box进行回归 Training is expensive in space and time: 时
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