RPN遇到的坑

最新推荐文章于 2021-04-28 19:40:58 发布
最新推荐文章于 2021-04-28 19:40:58 发布
阅读量606 收藏 3
点赞数
分类专栏： 目标检测 文章标签： RPN 深度学习 Faster-RCNN
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/IT_BOY__/article/details/105998303
版权
本文深入探讨RPN（区域提议网络）在Faster R-CNN中的应用，包括模型结构、损失函数以及实际测试中的经验总结。RPN通过在特征图上预测锚框，避免了Selective Search的低效。在损失函数中，分类和回归损失的计算是关键。在测试阶段，选取最佳提议框展示效果。实践证明，理解并复现论文对于掌握技术至关重要。
摘要由CSDN通过智能技术生成

RPN的作用在于较为准确的选择前300个推荐框，前2篇论（RCNN,Fast-RCNN）用的是Selective Search方法, 贪婪地合并基于低层次特征的像素，产生2000个推荐框，效率低。本文主要讲解RPN网络层及其损失函数，遇到过的坑和疑惑的地方在这里记录一下，便于今后回顾。涉及到的内容过多，请参考：
Faster-RCNN论文地址

1、RPN模型

在这里插入图片描述
要点1：在每个滑动窗口的中心（经过3x3卷积得到的点，该卷积层不改变feature map的大小，只是将周围的信息融合到中心点上，该中心点的可视野为3x3大小的VGG/ZF特征）预测9种不同尺度大小的锚框(anchors)。这里用的是ZF的feature map 是256-d，而VGG的feature map 是512-d。

vgg_kernel = 512                                  #如何实现anysize input
f_map_tile = Input(shape=(None,None,512)) #out: 1x1x512
    convolution_3x3 = Conv2D(
        filters=512,                                   #vgg 512, zf 256
        kernel_size=(
最低0.47元/天 解锁文章
IT_BOY__
关注
专栏目录
FPN（feature pyramid networks）算法讲解
AI之路
06-06 19万+
这篇论文是CVPR2017年的文章，采用特征金字塔做目标检测，有许多亮点，特来分享。 论文：feature pyramid networks for object detection 论文链接：https://arxiv.org/abs/1612.03144论文概述： 作者提出的多尺度的object detection算法：FPN（feature pyramid networks）。原来多数的
faster-rcnn 之 RPN网络的结构解析
香蕉麦乐迪的博客
05-31 9万+
【说明】：我想很多人在看faster-rcnn的时候，都会被RPN的网络结构和连接方式纠结，作者在文中说的不是很清晰，这里给出解析； 【首先】：大家应该要了解卷积神经网络的连接方式，卷积核的维度，反向传播时是如何灵活的插入一层，这些要了解；这里我推荐一份资料，真是写的非常清晰，就是MatConvet的用户手册，这个框架底层借用的是caffe的算法，所以数据结构，
RPN定义与缺陷等级划分
12-19
RPN全称为Risk Priority Number，含义为风险优先级数。 RPN是缺陷的严重程度、发生频率和检测等级三者之积，其值越大表明问题越严重，用来衡量缺陷的级别。 严重程度：定义一个问题对客户的影响。 发生频率：在使用过程中缺陷问题发生的频率。 检测等级：存在缺陷的模块的重要性。 RPN=严重程度*发生频率*检测等级。
RPN网络
知识搬运工的博客
06-25 3万+
RPN 思路： 1、先通过conv层+pooling层+relu层，可以是vgg，得到featuremaps。 2、在featuremaps上提取对应的图。在第一步基础上，先通过rpn生成regionproposals。通过softmax判断anchors（9个框），是foreground还是background，再通过boundingboxregression...
目标检测之RPN
千秋莫负
06-13 3702
参考：https://blog.csdn.net/u011746554/article/details/74999010 （Region Proposal Network)区域生成网络 RPN网络中利用anchors和softmax初步提取出foreground anchors作为候选区域。 1） layer { name: “rpn_cls_score” type: “Convolution”...
Pytorch官方微调Mask-RCNN遇到的坑
IT_BOY__的博客
05-27 2899
官网地址 已经成功做好了这个实验，但是不得不吐槽一下官方的说明书，做实验的前提不交代好，尤其是这句话： In references/detection/, we have a number of helper functions to simplify training and evaluating detection models. Here, we will use references/detection/engine.py, references/detection/utils.py and ref
Ubuntu 16.04 下 py-faster-rcnn配置+caffe配置 填坑记录
mhy_EDSN的博客
11-03 456
第一次跑faster RCNN，本来以为不会太难，谁知道花了我两天的时间，期间无数个bug，无数次寻找解决方案，所以打算翻翻历史查询记录，记下来我遇到的问题，算是一个解决方案的集合，以作参考。由于本人很菜，不熟悉ubuntu环境、linux命令，caffe也是第一次接触，所以犯了很多很蠢的错误，蠢到都查不到答案，所以如果有人不幸遇到了和我一样的错误，很高兴能为你提供帮助，我会写得很小白，因为自己查...
Faster-RCNN训练自己数据集遇到的问题集锦
蚂蚁搬家
01-12 1万+
最近，用faster rcnn跑一些自己的数据，数据集为某遥感图像数据集——RSOD，标注格式跟pascal_voc差不多，但由于是学生团队标注，中间有一些标注错误，也为后面训练埋了很多坑。下面是用自己的数据集跑时遇到的一些问题，一定一定要注意：在确定程序完全调通前，务必把迭代次数设一个较小的值（比如100），节省调试时间。 错误目录： 1 ./tools/train_faster_rcnn_...
FasterRCNN在ubuntu下编译走过几个小坑
JoliceYu的技术博客
11-19 2618
前语之前一直在window下编译基于matlab的fasterrcnn，一直没弄出来，无奈各种配置以及bug。转到跑python版本的代码，在linux下配置起来简单多了，主要是按照（https://github.com/rbgirshick/py-faster-rcnn）的步骤来的。注意注意1：在这里最好按照一步步的步骤来，有些文件最好的也是运行github上的一些sh文件，有时候自己在其他地方下
详细的Faster R-CNN源码解析之RPN源码解析
jiongnima的博客
04-02 1万+
本篇博文逐行讲解了Faster R-CNN中的RPN代码。向大家讲解了RPN中的难点：如何生成anchor，如何对anchor进行前景背景的判断，如何为anchor找到坐标变换值。良心干货，欢迎阅读与分享~
目标检测中anchor的优缺点
zhe_csdn的博客
09-18 3579
目标检测中自从RPN 被提出来以后，anchor-based 的方法便成了物体检测模型的主流。这种方法在特征图的每一个像素点预设几个不同尺度和纵横比的 bounding box，称之为 anchor。之后对每一个 anchor 进行分类，并对正类的 anchor 进行回归（位置及大小调整）。之后的 SSD，YOLO 等 single-stage 方法也是基于 anchor 进行检测。 anchor...
RPN的理解
baidu_38634017的博客
07-12 1483
转载自：https://www.cnblogs.com/jiangnanyanyuchen/p/9433791.html 本来想看看bolg大致了解一下，可是bolg说的都不是很清楚，索性花点时间读读论文。 如果把RPN看作一个黑盒子的话，我们最关心的问题是，输入和输出。RPN输入的是一张图片（更准确来说是feature map），输出输出一系列的矩形object proposals。 训练步骤：1.将图片输入到VGG或ZF的可共享的卷积层中，得到最后可共享的卷积层的feature map。 　&
RPN 解析
热门推荐
lanran2的博客
01-12 10万+
RPN全称是Region Proposal Network，Region Proposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络； 1. RPN的意义 RPN第一次出现在世人眼中是在Faster RCNN这个结构中，专门用来提取候选框，在RCNN和Fast RCNN等物体检测架构中，用来提取候选框的方法通常是Selective Se
RPN+RCNN的改进
wuhui868的专栏
12-28 4652
一. A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection同样是基于RPN+RCNN的思想，在Faster RCNN的基础上做了两处改进： 1.RPN在提取proposal的时候，使用了单一尺度，不能很好的适应各种不同大小的目标 多尺度检测： 目标检测需要模板能够覆盖不同sca
在 Faster R-CNN 上训练自己的数据集
dear_jing的博客
04-28 2367
下载了 Faster R-CNN 代码，并用 DOTA 数据集作为训练和测试数据集，验证在 Faster R-CNN 上的精度。
RPN详解
qingmuluoyang的博客
12-03 6720
转载原文：https://blog.csdn.net/lanran2/article/details/54376126 ，这里的博客都挺好的，转载一下，留的 RPN全称是Region Proposal Network，Region  Proposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络； 1. RPN的意义 RPN第一次出现在世人眼中是在Fa...
RPC的优点和缺点
wu1317581750的博客
09-04 1万+
先说RPC的优点吧： 1. 提升系统可扩展性 2. 提升系统可维护性和持续交付能力 3. 实现系统高可用 RPC的缺点： 1. 一个完善的RPC框架开发难度大 2. RPC框架调用成功率受限于网络状况 3. 调用远程方法对初学者来说难度大 dubbo不只是一个RPC框架，还是一个服务治理框架...
Faster R-CNN：关于RPN的loss及实现
fine_0007的博客
10-26 1万+
Faster R-CNN是用于图像检测的一种算法，本文具体讨论了RPN部分的loss function数学计算以及Python3.0+TensorFlow1.9条件下的代码实现。 Faster R-CNN 在RPN上的损失函数由两部分构成分类损失函数和回归损失函数： anchor的分类损失函数： 输入为预测的foreground的概率和anchor的标签，anchor为negative时标签值为...
sparseinst rpn
最新发布
07-27
SparseInst RPN (Region Proposal Network) 是一个用于目标检测任务的网络模型。它是 SparseInst 系列模型中的一部分，用于生成目标候选框。 在目标检测任务中，首先需要生成一系列候选框，然后对这些候选框进行...
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