卷积神经网络CNN-目标探测

本文介绍了目标探测的基本概念和传统方法DPM,然后详细探讨了R-CNN系列(R-CNN、Fast R-CNN、Faster R-CNN)和神经网络回归方法YoLo及SSD。重点阐述了Faster R-CNN通过RPN解决候选区域生成问题,以及YoLo的直接预测方法。最后提到了模型实例和部署。
摘要由CSDN通过智能技术生成

卷积神经网络CNN-目标探测

1. 目标探测介绍

这里写图片描述

利用神经网络进行目标识别,同样的目标变为坐标值。

直接思路:局部识别问题

在很多位置尝试识别,能够完成识别的地方就是目标位置。

问题:怎样找到候选位置?
Answer:

  • 利用不同scale的sliding windows来遍历图片的所有位置,缺点是计算量大,需要进行大量的重复。
  • 更有效的方法:直接计算候选区域。

2. 传统方法-DPM

基本思想

提取图像特征,制作出激励模板(可以认为是人工设计一个复杂形状的卷积核),在原始图像滑动计算,得到激励效果图,根据激励分布确定目标位置。

拓展

目标可能会变形,各个部分单独考虑(DPM-Deformable Parts Model)

  • 产生多个模板,整体模板以及不同局部模板;
  • 不同模板同输入图片“卷积”产生特征图;
  • 特征图组合形成融合特征;
  • 对融合特征进行传统分类,回归,得到目标位置。
    这里写图片描述

3. 神经网络分类:R-CNN系列方法

神经网络分类思想:
对多个位置,不同尺寸,用卷积神经网络判断区域内的图片是不是某物。
候选位置(proposal)提出方法: EdgeBox

R-CNN

1.分类器的训练
直接用ImageNet模型

2.Fine-tune分类模型

  • 选择20类进行探测;
  • 对原始分类模型结构进行更改;
  • 最终定位21个目标(20类+其他)

3.特征提取

  • 图片计算候选区域;
  • 候选区域切分图片,变成输入大小;
  • 图区相应高级特性;
    这里写图片描述

4.单独目标探测器训练

  • 每一类单独训练;
  • 每一类训练数据平衡;
  • 每一类binary分类,一般用SVM。

5.单独目标回归器训练-基于候选区域微调

  • 每一类单独训练
  • 每一类训练数据回归
  • 每一类BBOX回归

6.测试过程

这里写图片描述

7.评估方法
mAP:mean average precision,平均精度

IoU:

这里写图片描述

8.优缺点

  • CNN用于目标探测,利用了CNN高效识别能力,大大提高性能;
  • 摆脱人为设计物品模板,方法具有通用性;
  • 分类+回归,有了找到精确位置的可能;

  • 为了检测一个目标,对所有候选区域进行计算,含有大量卷积运算,速度慢;

  • SVM训练与CNN断裂,有效信息不能用于优化模型,不是end-to-end;
  • 每一类单独训练,异常繁琐。

Fast R-CNN

  • 共享卷积计算;
  • 完整训练(end-to-end);
  • 多目标一起学习。
    这里写图片描述

1.共享卷积计算

  • 卷积计算保持空间位置;
  • 共同区域的卷积计算只需进行一次;
  • 切割候选区+提取特征图=计算完整特征图+切割对应候选区。

2.特征一致化
问题:不同区域特征如何保持一致?
Answer:进行特征一致化-Max-Pooling。
如: 100×50 则按照

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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