【目标检测】Rcnn总结

最新推荐文章于 2023-10-22 22:42:30 发布
最新推荐文章于 2023-10-22 22:42:30 发布
阅读量1.2k 收藏
点赞数
分类专栏： 目标检测论文 文章标签： python 计算机视觉 神经网络 机器学习
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/Leomn_J/article/details/112963201
版权

笔记链接：https://thoughts.teambition.com/share/600937eda49b45004647d956#title=06.RCNN

下面是笔记内容，推荐用链接观看！

 

06.RCNN

📄论文题目

Rich feature hierarchies for accurate object detection and semantic segmentation

👨‍💻作者

Ross Girshick:以开发R-CNN(基于区域的卷积神经网络)方法来检测对象而闻名。2017年，Ross还凭借《Mask R-CNN》与何恺明齐获在ICCV获得马尔奖。

❓四个问题

❔要解决什么问题？

当时检测技术处于一个平稳期，希望在各方面有个比较大的突破。

❔使用什么方法解决问题？

 

  • 候选区域的生成：利用Selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构可能包含需要的物体。

 

  • 深度网络提取特征：将2000个候选区域缩放到227 * 227 后输入训练好的AlexNetCnn网络，获得4096维的特征得到 2000* 4096维的矩阵

 

  • 输入SVM分类器，判定类别：

 

 

  • 回归分类器修正：

 

❔实际效果如何？

较当时的检测有了极大的提升，mAP从35.1%提高到53.7%，同时速度也快得多

❔还存在什么问题？

  • 检测速度慢：53S检测一张图片，用SS算法提取特征2s,一张图像内候选框之间存在大量重叠，提取特征操作冗余。

  • 训练速度慢：过程及其繁杂。

  • 训练所需空间大：VOC07S上的5000张图片训练要数百G。

✨论文概述

🔸1.Abstract

当时VOC上检测的性能发展处于平稳期，表现最佳的是复杂的集成检测系统（将多个低级图像特征与高级上下文结合）

R-CNN相较于之前的方法，mAP提高了30%！主要包含两个主要思路：

  • 将大量的卷积网络应用于自下而上的Region Proposal（候选区域）

  • 数据缺少时，对辅助任务进行有监督的预训练（同时进行微调，获得显著的性能）

🔹2.Introduction

图像的特征是很重要的，在RCNN之前视觉的任务大多基于SIFT和HOG。CNN能够显著提高检测性能，主要是解决两个问题：

  • 利用深层的网络进行目标定位

  • 少量的标注检测数据用于训练大容量的检测模型

 

  • 输入一副图像

  • 提取2000个自下而上的候选区域

  • 使用CNN计算每个Proposal的特征

  • 使用特定的SVM对每个区域进行分类

SIFT：

SITF算法详解---特详细版_LJP1924804579的博客-CSDN博客

写的太好了，转载至：https://blog.csdn.net/zddmail/article/details/7521424参考资料1、David G.Lowe Distinctive Image Features from Scale-Invariant Keypoints. January 5, 2004.2、David G.Lowe Object Recognition from Local Scale-Inva...

https://blog.csdn.net/LJP1924804579/article/details/108028242

HOG:

HOG原理与OpenCV实现_chaibubble-CSDN博客

方向梯度直方图（Histogram of Oriented Gradient, HOG）于2005年提出，是一种常用的特征提取方法，HOG+SVM在行人检测中有着优异的效果。HOG特征提取算法原理在一幅图像中，梯度或边缘的方向密度分布能够很好地描述局部目标区域的特征，HOG正是利用这种思想，对梯度信息做出统计，并生成最后的特征描述。在HOG中，对一幅图像进行了如下划分： 图像(i...

https://blog.csdn.net/chaipp0607/article/details/70888899

🔸3. Object detection with R-CNN

R-cnn检测系统主要由三部分组成：

  • 生成候选区域

  • 从候选区域提取特征的卷积网络

  • 一系列的类别线性分类器SVM

3.1 Module Design

  • Region proprosal:有很多类似的方法，选择使用选择性搜索（selective search）与之前的检测工作进行比较。

  • Faeture extraction:从区域建设中提取4096维特征向量。

3.2 Test-time detection

使用选择搜索获得2000个建议区域，调整（wrap）每个建议区域以符合CNN网络输入。

  • run-Time analysis: 首先，CNN 所有参数在所有类别之间是共享的；其次，CNN计算的特征向量是低纬度的。

3.3 training

  • Supervised pre-traininig:在ILSVRC 2012完成CNN的预训练

  • Domain-specific fine-tuning：≥0.5IOU为正样本，其余为负样本.使用来自VOC的扭曲区域建议对CNN参数进行随机梯度下降(SGD)训练，在每一次SGD迭代中，我们均匀采样32个正窗口(所有类别)和96个背景窗口，以构建大小为128的小批量（采用偏向正样本窗口）

  • Object category classifiers：IOU的正负样本阈值对mAP的影响很大。

3.4 Results on PASCAL VOC 2010-12

在mAP上有了很大的改进，从35.1%提高到53.7%，同时速度也快得多。

🔹4.Visualization, ablation, and modes of error

4.1 Visualizing learned features

从网络中挑选出特定的单元（特征），将其作为本身的对象检测器来使用，计算单元对一系列（1000万个）区域提案从高到底进行激活，使用非最大抑制得到得分最高的区域。

4.2 Ablation studies

  • Performance layer-by-layer, without fine-tuning:允许在pool5功能之上使用滑动窗口检测器(包括DPM)进行实验

  • Performance layer-by-layer, with fine-tuning:从ImageNet学习的pool5特性是通用的，而且大部分改进是通过在它们之上学习特定于领域的非线性分类器来实现的

  • Comparison to recent feature learning methods:DPM和DPM（HSC）两种方法的检测效果的mAP分别我29.1%和34.3%。

4.3 Detection error analysis

CNN的特征比HOG更具区分性。

4.4 Bounding box regression

DPM中使用的包围盒回归的启发，训练了一个线性回归模型来预测一个新的检测窗口，该模型在给Pool5特征的情况下用于选择性搜索区域方案,修复了大量本地化错误的检测。

🔸5.Semantic segmentation

微调可以提高所有特征(包括遮挡、截断、视点和部分可见性)的稳健性。

  • FULL：忽略区域形状，直接在wrap窗口上计算CNN特征

  • FG：仅在区域前景遮罩上计算CNN特征，用均值输入替换背景，使得均值相减后的背景区域为0。

  • FULL+FG:简单了链接两种特征

有高的分割准确率，总体平均分割准确率为47.9%(但在任何合理的误差范围内都可能与O2P结果一致)。更好的性能很可能通过微调来实现。

6.conclusion

有监督的预训练/特定领域的微调”范例将对各种数据稀缺的视觉问题非常有效.

👀补充

 

附录

https://www.bilibili.com/video/BV1yi4y1g7ro

y

olo.pdf(5.1 MB)

- 0%

yol

ov1.pdf(1.0 MB)

- 0%

 

你好啊：）
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
大话目标检测经典模型（RCNN、Fast RCNN、Faster RCNN）
qq_33287871的博客
10-04 996
目标检测是深度学习的一个重要应用，就是在图片中要将里面的物体识别出来，并标出物体的位置，一般需要经过两个步骤： 1、分类，识别物体是什么 2、定位，找出物体在哪里 除了对单个物体进行检测，还要能支持对多个物体进行检测，如下图所示： 这个问题并不是那么容易解决，由于物体的尺寸变化范围很大、摆放角度多变、姿态不定，而且物体有很多种类别，可以在图片中出现多种物体、出现在任意位置。因此，目标检测是一个比较复杂的问题。 最直接的方法便是构建一个深度神经网络，将图像和标注位置作为样本输入，然后经过CNN网络，再.
R-CNN、Fast RCNN和Faster RCNN网络介绍
chase
08-02 4905
R-CNN、Fast RCNN和Faster RCNN网络介绍
【目标检测算法】R-CNN（详解）
风口IT猪的成长录
08-14 1万+
目标检测算法之R-CNN学习目标1. 目标检测-Overfeat模型1.1 滑动窗口1.2 Overfeat模型总结2. 目标检测-R-CNN模型2.1 完整R-CNN结构2.2 候选区域（Region of Interest）得出2.3 CNN网络提取特征2.4 特征向量训练分类器SVM2.5 非最大抑制（NMS）2.6 修正候选区域3. 检测的评价指标3.1 IoU交并比3.2 平均精确率（mean average precision）map4. R-CNN总结4.1 流程总结4.2 缺点5. 总结6.
R-CNN(目标检测算法)介绍
最新发布
Sea__c的博客
10-22 3073
因为一个框可以用四个值来表示（x,y,w,h）分别是框的中心点横坐标，中心点纵坐标，宽，高。由于物体标签训练数据少，如果要直接采用随机初始化CNN参数的方法,目前的训练数据量是不够的. 基于此，采用有监督的预训练，使用一个大的数据集（ImageNet )来训练AlexNet，得到一个1000分类的预训练（Pre-trained）模型。目标检测不仅需要确定目标的类别，还要找到目标在图像中的位置.由于各类目标不同的外观，颜色，大小以及在成像时光照，遮挡等具有挑战性的问题，目标检测一直处于不断的优化和研究中.
R-CNN系列算法解读
Mzcc_bbms的博客
12-23 979
Mask-RCNN算法详细解读R-CNN系列from R-CNN to Mask-RCNNsliding windows detectorSelective searchR-CNNFast R-CNNMask-RCNN R-CNN系列 from R-CNN to Mask-RCNN R-CNN Fast R-CNN Faster R-CNN FPN FPN + RPN + Fast R-CNN FPN + RPN + Fast R-CNN + Mask Prediction sliding window
目标检测-从RCNN到MaskRCNN两步检测算法总结
01-27
本文来自于arleyzhang博客，本文主要介绍目标检测中两步检测算法的总结对比，提出了一种新的两步检测模型， Light-HeadRCNN，希望会对您的学习有所帮助。 Rbg提出的R-CNN的方法1.一张图像先通过selectivesearch的...
72.2018小目标检测文章总结1
08-04
介绍在现有的目标检测的文献中，大多数是针对通用的目标来进行检测，如经典的单阶段方法yolo和ssd，两阶段方法faster-rcnn等，这些方法主要是针对通用目
深度学习之目标检测网络学习总结
02-24
本文来自于360doc，深度学习用于目标检测的算法从思路上来看，可以分为两大类，一类是twostage的方法，也就是把整个分为两部分，生成候选框和识别框内物体；另一类是onestage的方法，把整个流程统一在一起，直接给出...
检测框架总结
12-10
目前主流的目标检测框架，包括RCNN，fast RCNN, faster RCNN,SSD,YOLO v1,v2,v3 的个人总结整理。
（八）计算机视觉 -- 6 区域卷积神经网络（R-CNN）系列
FionaDong的博客
11-15 2170
6. 区域卷积神经网络（R-CNN）系列 区域卷积神经网络（region-based CNN / regions with CNN features，R-CNN）是将深度模型应用于目标检测的开创性工作之一。 本节将介绍R-CNN和它的一系列改进方法（模型设计思路）： 快速的R-CNN（Fast R-CNN）、更快的R-CNN（Faster R-CNN）以及掩码R-CNN（Mask R-CNN）。 6.1 R-CNN R-CNN首先对图像选取若干提议区域（如锚框也是一种选取方法）并标注它们的类别和边界框（如
R-CNN系列详解
weixin_36670529的博客
02-21 2373
1、从传统方法到R-CNN 基于传统的方法，先要进行区域建议的生成，然后对每个区域进行手工特征的设计和提取，然后送入分类器。在Alexnet出现后，CNN的性能比较好，不但可以学习手工特征还有分类器和回归器。CNN主要用来提取特征，SS提取出的最小外接矩形可能不精准，这样的话就需要Bounding Box回归对区域的位置进行校正。输入图片SS算法算...
RCNN简介
weixin_45680994的博客
10-28 3089
RCNN（Regions with CNN features）是在2014年提出的一种目标检测算法，RCNN是将CNN方法应用到目标检测问题上的一个里程碑，借助CNN良好的特征提取和分类的性能，通过REgionPropo方法实现目标检测。 RCNN的特点与流程总结 一：速度 经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断。 二：训练集 经典的目标检测算法在区域中提取人工设定的特征（Haar，HOG）。本文则需要训练深
【深度学习】R-CNN 论文解读及个人理解
热门推荐
frank 的专栏
08-24 22万+
背景 本篇论文的题目是 《Rich feature hierarchies for accurate oject detection and semantic segmentation》，翻译过来就是针对高准确度的目标检测与语义分割的多特征层级，通俗地来讲就是一个用来做目标检测和语义分割的神经网络。 本文作者：Ross Girshick，JeffDonahue,TrevorDarrell,Ji...
目标检测-RCNN系列
跟随技术的脚步-linolzhang的专栏
01-11 7万+
•   RCNN        RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。        算法可以分为四步：        1）候选区域选择        Region Proposal是一类传统的区域提取方
RCNN目标检测
AI-Mei的博客
12-23 315
paper：Rich feature hierarchies for accurate object detection and semantic segmentation Tech report (v5) data:22 Oct 2014 论文摘要 目标检测在PASCAL VOC数据集上的表现已经趋于平稳，没有大的突破。在该论文中，提出一种简单可扩展的检测算法，mAP提升超过30%，在VOC 2...
终于成功白嫖到了2T网盘
luostudent的博客
11-28 3387
盼望着，盼望着，终于把阿里云的Teambition网盘的内测码给盼望来了。说实话我都快忘记我申请了内测~ 我“坎坷”的内测申请之路 我好像是7、8月份的时候提交内测申请的，然后过了一个多月，9月份的时候我收到了Teambition团队的邮件，还以为是给我内测码的，结果emmmm 知道让我久等了，只是给我看看设计稿而已，当时看了一下，感觉挺简洁清爽的。 然后又过了一个多月，10月23的时候又给我发了个邮件，我在想这总是内测码来了吧，结果再次emmmm 只是告诉我还在努力中，不过看..
深度学习目标检测指南：如何过滤不感兴趣的分类及添加新分类？
AI科技大本营
05-20 4090

 
 
 
 
 
 
 编译 |庞佳责编 | Leo出品 | AI 科技大本营（公众号ID：rgznai100）AI 科技...
【Paper Reading】
bryant_meng
08-09 3669
欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演示效果很好，让人赏心悦目、叹为观止。不过欧洲的会有一个不好，就是他们的人通常英语口音很重，有些人甚至不太会说英文，所以开会和交流的时候，稍微有些费劲。《International Comference on Computer Vision》，正如很多和他一样的名字的会议一行，这样最朴实的名字的会议，通常也是这方面最nb的会议。那么一年过去了，合格的论文评审人员的增幅是否赶得上论文的增幅呢？
faster rcnn 自己的数据集 目标检测 代码 教程
09-09
总结来说，使用Faster R-CNN进行目标检测，我们需要准备自己的数据集并进行标注，然后根据代码教程进行模型的训练和调优，最后使用训练好的模型进行目标检测。这个过程需要一定的编程能力和对深度学习模型的理解。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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