Faster R-CNN论文

最新推荐文章于 2024-10-03 11:50:49 发布
最新推荐文章于 2024-10-03 11:50:49 发布
阅读量515 收藏
点赞数
分类专栏： Machine Learning 文章标签： Faster R-CNN
原文链接：https://arxiv.org/pdf/1506.01497.pdf
版权

第三节

系统由两个模块组成。第一个模块是PR的深度全卷机网络(RPN)，第二个模块是使用PR的Fast R-CNN检测器。

RPN模块告诉Fast R-CNN模块在哪里寻找。

3.1节介绍RPN的设计和属性。3.2节中开发用于训练具有共享特征模块的算法。

3.1 RPN(Region Proposal Networks)

RPN以任意大小的图像作为输入，输出一组矩形的目标提议，每个提议有一个得分。用全卷积神经网络对这个过程进行建模。因为最终目标是与Fast R-CNN目标检测网络共享计算，所以假设两个网络共享一组卷积层。

    左为RPN，右：在PASCAL VOC 2007上的测试结果  可以检测出各种尺度和纵横比的物体

为了生成PR，在最后的共享卷积层输出的特征映射上滑动一个小网络。这个小网络将输入卷积特征的n*n空间窗口作为输入。每个滑动窗口映射一个低维特征。这个特征被输入到两个子全连接层--一个边界框回归层和一个边界框分类层。本文使用n=3，注意输入图片上的有效感受野很大(VGG为228个像素)。注意，因为小网络以滑动窗口方式运行，所有空间位置共享全连接层。这种架构通过一个n*n的卷积层，后面是两个1*1的卷积层(reg和cls)自然地实现。

3.1.1 锚点

在每个滑动窗口位置，可以预测多个RP，其中每个位置可能生成的最大数目表示为k。因此，reg层有4k个输出，包含k个边界框的坐标，cls层输出2k个分数，估计每个提议是目标与不是目标的概率。相对于我们称之为锚点的k个参考边界框，k个提议是参数化的。锚点位于所讨论的滑动窗口的中心，并与尺度和纵横比相关。默认我们使用3个尺度和3个纵横比，每个滑动位置产生k=9个锚点。对于大小为W*H(通常为40*60)的卷积特征映射，总共有WHk个锚点。

平移不变的锚点

平移不变是我们方法的一个重要特性，无论是在锚点还是计算相对于锚点的区域提议的函数。如果在图像中平移目标，提议应该平移，并且相同的函数应该能够在任一位置预测提议。我们的方法保证了平移不变性。作为比较，MultiBox方法使用k-means生成800个锚点，这不是平移不变的。所以如果一个目标被平移，MultiBox不能保证会生成相同的提议。

平移不变性减小了模型的大小。我们的方法在k=9个锚点的情况下有(4+2)*9维的卷积输出层。对于VGG16，输出层具有2.8*10^4个参数。

多尺度锚点作为回归参考

锚点设计提出了一个新的方案来解决多尺度。多尺度预测有两种流行的方法。一是基于图像特征金字塔。图像在多个尺度上进行缩放，并且针对每个尺度计算特征映射。这个方法通常有用但是耗时。二是特征映射上使用多尺度的滑动窗口。使用不同的滤波器大小分别对不同纵横比的模型进行训练。如果用这种方法来解决多尺度问题，可以把它看作是一个滤波器金字塔。第二种方法通常与第一种方法联合采用。

作为比较，基于锚点方法建立在锚点金字塔上，更具成本效益。我们的方法参照多尺度和纵横比的anchor box来分类和回归边界框。它只依赖单一尺度的图像和特征映射，并使用单一尺寸的滤波器(滑动窗口)。我们通过实验来展示这个方案解决多尺度的效果。

由于这种基于锚点的多尺度设计，我们可以简单的使用单尺度图像上计算的卷积特征，Fast R-CNN也是这样做的。多尺度锚点设计是共享特征的关键组件，不需要额外的成本来处理尺度。

3.1.2 损失函数

为了训练RPN，为每个锚点分配一个二值类别标签(是目标或不是目标)。我们给两种锚点分配正标签：

  1. 与实际边界框(gt-box)IoU最高的锚点
  2. 与实际边界框的IoU超过0.7的锚点

单个gt-box可以为多个锚点分配正标签。如果一个锚点的IoU低于0.3，则给锚点分配一个负标签。既不是正标签也不是负标签的锚点不会有助于训练目标函数。

3.1.3 训练RPN

RPN可以通过反向传播和随机梯度下降进行端对端的训练。我们遵循以图像为中心的采样策略来训练这个网络。每个小批量数据都从包含许多正面和负面示例锚点的单张图像中产生。对所有锚点的损失函数进行优化是可能的，但这样会偏向于负样本，因为它们占主导地位。取而代之的是，我们在图像中随机采样256个锚点，计算一个小批量数据的损失函数，其中采样的正锚点和负锚点的比例可达1：1。如果图像中的正样本少于128个，使用负样本填充小批次数据。

我们从标准方差为0.01的零均值高斯分布中提取权重来随机初始化所有新层。所有其他层通过预训练的ImageNet分类模型来初始化，如同标准实践。我们调整ZF网络的所有层，以及VGG网络的conv3_1及其之上的层以节省内存。对于60k的小批量数据，使用0.001的learning rate，对于PASCAL VOC数据集中的下一个20l小批量数据，使用0.0001。使用0.9的动量和0.0005的权重衰减。

3.2 RPN和Fast R-CNN共享特征

 

 

 

 

 

 

 

 

 

金大大诶
关注
专栏目录
faster-rcnn.rar
04-26
论文：《Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks》摘要：算法主要解决两个问题：1、提出区域建议网络RPN，快速生成候选区域；2、通过交替训练，使RPN和Fast-RCNN网络共享参数。
Faster R-CNN
m0_55308155的博客
03-28 9317
1. 论文简介 论文名：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 论文地址：Faster R-CNN 论文作者：Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun 论文时间：2016年（论文发表） 说明：在GPU上推理速度达到5fps（包含候选区域生成的时间），准确率也有进一步的提升。 2. Faster R-CNN算法流程.
目标检测之Faster R-CNN论文
最新发布
xie_xin666的博客
10-03 718
RPN和Fast R-CNN网络在训练一开始就被合并成一整个网络，每次训练的时候输入一整张图片，会沿着这个网络传输过去，在a模块会有一个RPN网络产生的损失，在b模块会有一个Fast R-CNN网络产生的损失，直接把他们两个简单结合起来，让a模块这样反向传播回去，让b模块反向传播回去，就能很简单的解决联合训练的问题。使用a模块来在特征图上产生候选区域，利用a模块产生的候选区域以及原始的特征图，来得到每个候选区域的特征，利用b模块来对每个候选区域进行分类和回归。2k:对产生的候选框计算一个它包含目标的概率。
目标检测经典论文：faster R-CNN论文详解
chairon的博客
09-14 2714
1. 图2展示了python版本中的VGG16模型中的faster_rcnn_test.pt的网络结构，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； 而Conv layers中包含了13个conv层+13个relu层+4个pooling层； RPN网络首先经过3x3卷积，再分别生成positive anchors和对应bounding box regression偏移量，然后计算出proposals 而Roi Pooling层则利用proposa
Faster-RCNN论文及原码解读
Dear_learner的博客
01-19 4845
目录一、模型的整体框架二、网络结构2.1 Conv Layers2.2 RPN(Region Proposal Networks)2.2.1 Anchors box的生成2.2.2 RPN实现原理2.2.2.1 rpn-data2.2.2.2 rpn_loss_cls,rpn_loss_bbox,rpn_cls_prob2.2.2.3 proposal2.2.2.4 roi_data2.3 ROI Pooling2.3.1 ROI Pooling2.3.2 ROI Align2.4 全连接层2.5 损失函数
【目标检测】Faster R-CNN论文的讲解
wzk4869的博客
11-27 2780
【目标检测】Faster R-CNN论文的讲解
Faster R-CNN论文阅读
09-09
Faster R-CNN论文阅读
RCNN、Fast-RCNN、 Faster R-CNN论文
03-28
目标检测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...
Faster R-CNN论文翻译——中英文对照
11-27
Faster R-CNN论文是深度学习领域中用于目标检测的重要文献，由Shaoqing Ren、Kaiming He、Ross Girshick和Jian Sun撰写。该研究旨在提高目标检测的速度和准确性，其核心贡献是提出了区域提议网络（Region Proposal ...
faster r-cnn.pdf faster r-cnn论文
01-04
《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》是一篇重要的研究论文，它介绍了一种新的区域提议网络（Region Proposal Network, RPN），该网络能够显著提高对象检测的速度和...
Faster R-CNN论文解读.md
02-14
本文是对Faster R-CNN论文作了一个总结，略去了论文中的实验部分，涵盖了相关知识、主要贡献、模型结构等方面。
Faster R-CNN论文详解
章鱼、不嚎
11-04 1149
Faster R-CNN 1、Faster R-CNN 贡献 这篇文章最重要的创新在于提出了Region Proposal Network(RPN)和anchor box，使得可以用神经网络来提取proposa-regionl，同时使得整个过程具有以下的优点： 几乎是cost-free的，因为RPN和提取特征的CNN网络共享参数 RPN可以同时预测bound box和objectness sco...
fasterrcnn论文_经典神经网络 | Faster RCNN 论文解析
weixin_39852953的博客
11-21 1491
点击上方“计算机视觉cv”即可“进入公众号”重磅干货第一时间送达论文题目：Faster R-CNN: T owards Real-Time Object Detection with Region Proposal Networks论文链接：https://arxiv.org/abs/1506.01497作者及单位研究目标Faster R-CNN是为了改进Fast R-CNN而提出来的。...
论文精读：Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks
qq_52053775的博客
05-30 1685
Abstract：最先进的目标检测网络依赖于区域建议算法来假设目标的位置。像SPPnet[1]和FastR-CNN[2]这样的进步减少了这些检测网络的运行时间，暴露了区域建议框计算的瓶颈。在这项工作中，我们引入了一个区域建议网络(RPN)，它与检测网络共享全图像卷积特征，从而实现了几乎免费的区域建议。RPN是一个完全卷积的网络，它可以同时预测每个位置的目标边界和目标性得分。RPN被端到端训练，以生成高质量的区域建议，并被FastR-CNN用于检测。通过共享它们的卷积特征，我们进一步将RPN和FastR-CN
【论文阅读】Faster RCNN论文详解
想当咸鱼的猫
11-05 4847
Faster RCNN 建议先阅读之前的RCNN和Fast RCNN后再来阅读此文 Faster RCNN提出了Region Proposal Network解决了Fast RCNN中selective search算法提取候选框速度太慢的问题。 1. Faster RCNN初识 conv layers：通过CNNCNNCNN提取image的feature maps。此feature maps被共享用于后续的层 Region Proposal Networl：用于生成region proposals
经典目标检测论文分享---Faster R-CNN
weixin_44764501的博客
12-10 586
欢迎探讨
fasterRCNN论文精读及问题整理
ITdaka的博客
04-14 904
He等人[18]通过其他与Faster R-CNN正交的改进，获得了单个模型在COCO 2015测试-验证集上的55.7%/34.9%的结果，以及集成结果的59.0%/37.4%，赢得了COCO 2015目标检测竞赛的第一名。在重新缩放的图像上，无论是ZF（Zeiler and Fergus）模型还是VGG模型，在最后一个卷积层上的总步长为16像素，这意味着在典型的PASCAL图像（约500×375像素）上，步长约为10像素。图的左侧展示了RPN的示意图，它作为一个小型网络，作用在较大的卷积特征图上。
论文精读：Faster RCNN详解
i_is_a_energy_man的博客
01-03 5270
Faster RCNN github : https://github.com/rbgirshick/py-faster-rcnn Faster RCNN paper : https://arxiv.org/abs/1506.01497 Bound box regression详解 : http://download.csdn.net/download/zy1034092330
目标检测经典论文——Faster R-CNN论文翻译（纯中文版）：Faster R-CNN：通过Region Proposal网络实现实时目标检测
bigcindy的博客
08-02 7173
目标检测经典论文翻译汇总：[翻译汇总] 翻译pdf文件下载：[下载地址] 此版为纯中文版，中英文对照版请稳步：[FastR-CNN中英文对照版] Faster R-CNN：通过Region Proposal网络实现实时目标检测 Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun 摘要 最先进的目标检测网络依靠region proposal算法来推理检测目标的位置。SPPnet[1]和Fast R-CNN[2]..
Faster R-CNN技术实现与论文解读
由于提到了“详细的论文描述”，资源可能还会包含对Faster R-CNN论文的深入分析，包括其贡献、实验结果、对前代模型的改进点等。 在标签“RCNN FastRCNN实现 faster-rcnn CNN fasterRCNN”中，可见标签实际上重复了...
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