目标检测——R-CNN、Fast R-CNN

最新推荐文章于 2024-05-29 22:01:54 发布
最新推荐文章于 2024-05-29 22:01:54 发布
阅读量658 收藏 1
点赞数
分类专栏： 目标检测 文章标签： 深度学习 计算机视觉
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/WellTung_666/article/details/104557659
版权

文章目录

R-CNN

R-CNN的结构图：
在这里插入图片描述

R-CNN的基本步骤：

  1. 输入图像，使用Selective Search提取大约2000个候选区域。在这里插入图片描述

  2. 将候选区域调整成固定大小分。在这里插入图片描述

  3. 将固定大小的候选区域输入神经网络。在这里插入图片描述

  4. 将CNN的输出输入SVM中进行类别判定和边框回归。
    在这里插入图片描述

详细步骤：

  1. 预训练模型。选择一个预训练神经网络（如AlexNet、VGG）。
  2. 重新训练全连接层。使用需要检测的目标重新训练最后全连接层。
  3. 提取proposals并计算CNN 特征。利用选择性搜索（Selective Search）算法提取所有proposals（大约2000幅images），调整（resize/warp）它们成固定大小，以满足CNN输入要求（因为全连接层的限制），然后将feature map 保存到本地磁盘。
  4. 训练SVM。利用feature map 训练SVM来对目标和背景进行分类（每个类一个二进制SVM）。
  5. 边界框回归（Bounding boxes Regression）。训练将输出一些校正因子的线性回归分类器。

R-CNN的缺点：

  1. 训练步骤繁琐（微调神经网络+训练SVM+训练bbox）。
  2. 计算量大，对每个区域都要计算feather。
  3. 训练、测试均速度慢。
  4. 训练占空间。

Fast R-CNN

Fast R-CNN的创新点：

  1. 只对整幅图像进行一次特征提取，避免R-CNN中的冗余特征提取。
  2. 用RoI pooling层替换最后一层的max pooling层，同时引入建议框数据，提取相应建议框特征。
  3. 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】，也不需要额外的特征存储空间【R-CNN中的特征需要保持到本地，来供SVM和Bounding-box regression进行训练】。
  4. 用SVD对Fast R-CNN网络末尾并行的全连接层进行分解，减少计算复杂度，加快检测速度。

Fast R-CNN的结构图：
在这里插入图片描述
Fast R-CNN的系统流程图：
在这里插入图片描述

Fast R-CNN基本步骤：

  1. 首先将图片输入到Deep ConvNet（卷积）获得Conv fecture map（特征图），同时在原图中使用selective search生成RoI/region proposals（提取的候选框）
  2. 根据原图中候选框到特征图映射关系，在特征图中找到每个建议框对应的特征框（深度和特征图一致），使用RoI池化层将不同大小的RoI转换为固定大小。
  3. 固定大小的特征框经过全连接层得到固定大小的特征向量。
  4. 所得特征向量经由各自的全连接层（由SVD分解实现），分别得到两个输出向量：一个是softmax的分类得分，一个是Bounding-box窗口回归。

Fast R-CNN的一个重要特点是，整个网络(特征提取器、分类器和边界盒回归器)可以在多任务损失(分类损失和定位损失)的情况下进行端到端的训练。这提高了准确性。

SPP

SPP：Spatial Pyramid Pooling（空间金字塔池化）
空间金字塔池化可以将任意尺度的图像卷积特征转化为相同维度，这不仅可以让CNN处理任意尺度的图像，还能避免cropping和warping操作，导致一些信息的丢失。一般的卷积神经网络都需要固定输入图像大小，这是因为全连接层的输入需要固定输入维度，但在卷积操作时并没有对图像大小有限制，所以作者提出了空间金字塔池化方法，先让图像进行卷积操作，然后使用SPP方法转化成维度相同的特征，最后输入到全连接层。
在这里插入图片描述

RoI Pooling

RoI就是使用Select Search获取到的候选框，RoI Pooling参考了SPP的想法。

因为Fast R-CNN 使用了全连接层，最后输入的特征图大小必须固定，RoI Pooling的作用就是将尺寸不同的特征图变成尺寸固定的。

具体操作：

  1. 根据输入image，将ROI映射到feature map对应位置
    注：映射规则比较简单，就是把各个坐标除以“输入图片与feature map的大小的比值”，得到了feature map上的box坐标
  2. 将映射后的区域划分为相同大小的sections（sections数量与输出的维度相同）
  3. 对每个sections进行max pooling操作

在这里插入图片描述
Fast R-CNN的缺点：

  1. FastR-CNN依赖于外部区域的建议方法，如选择性搜索。
  2. 使用RoI Pooling出现The Misalignment Problem 精度丢失问题。

参考资料

https://github.com/scutan90/DeepLearning-500-questions/blob/master/ch08_%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B/%E7%AC%AC%E5%85%AB%E7%AB%A0_%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B.md

WellTung_666
关注
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 1130
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.
PyTorch深度学习实战（20）——从零开始实现Fast R-CNN目标检测
盼小辉丶的博客
10-13 2415
Fast R-CNN 改进了 R-CNN，引入 RoI (Region of Interest) 池化层极大地提高了检测速度和准确性。Fast R-CNN 极大地推动了目标检测领域的发展，为后续的一系列算法奠定了基础，在准确性和速度之间取得了良好的平衡，成为了目标检测算法的重要里程碑。在本节中，我们将介绍 Fast R-CNN 的工作原理，然后在自定义数据集上训练 Fast R-CNN 目标检测模型。
R-CNN、Fast R-CNN、Faster R-CNN
qq_42261092的博客
07-03 1162
1、R-CNN(Regions with CNN features) 2014年提出，可以说是利用深度学习进行目标检测的开山之作，将识别准确率从30%多提高到50%多。与R-CNN同一时期的深度学习方法有overfit，但效果没有RCNN好，故听说得少。 ① R-CNN算法流程四步 第二步：这里的深度网络指的是图片分类网络，这里将候选区域丢入到特征提取网络就能得到特征向量； 第四步：因为通过SS算法框定的候选框不是那么准，于是选用回归器修正候选框的位置； Ⅰ 候选区域的生成 ...
目标检测算法—— R-CNN, Fast R-CNN, Faster R-CNN
weixin_43056275的博客
01-19 919
文章目录R-CNN概述Fast R-CNN概述Faster R-CNN概述RPN的工作原理 R-CNN 概述 首先模型输入为一张图片，然后在图片上提出了约2000个待检测区域，然后这2000个待检测区域***一个一个地***(串联方式)通过卷积神经网络提取特征，然后这些被提取的特征通过一个支持向量机(SVM)进行分类，得到物体的类别，并通过一个bounding box regression调整目标包围框的大小。 第一步提取2000个待检测区域的时候，是通过一个2012年提出的方法，叫做selective
R-CNN，Fast R-CNN详解
fakerth的博客
11-25 797
R-CNN，Fast R-CNN详解
R-CNN、Fast R-CNN与Faster R-CNN
方悔读书迟
03-28 536
一、R-CNN训练步骤如下： (1). 训练(或下载)一个分类模型(比如AlexNet)，预训练； (2). 对(1)中生成的模型做fine-tuning，将分类从1000改为20，比如20个物体类别+1个背景；去掉最后一个全连接层； (3). 特征提取：提取图像的所有候选框；对于每一个区域，修正区域大小以适合CNN的输入，做一次前向运算，将第5个卷积层后池化层的输出(就是对候选框提取到的特征)保...
目标检测——Faster R-CNN 之 Fast R-CNN
qq_45720073的博客
08-07 910
目标检测——Faster R-CNN 之 Fast R-CNN
目标检测（二）—— R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN
qq_38622495的博客
09-06 2784
R-CNN 区域卷积神经网络（Regions with CNN features，简称 R-CNN）使用深度模型来解决物体识别。 具体步骤： Sective Search 。对每张输入图像使用选择性搜索来选取多个高质量的提议区域。 Resize。对每个提议区域，将其变形成卷积神经网络需要的输入尺寸。 特征抽取。选取一个预先训练好的卷积神经网络，去掉最后的输出层来作为特征抽取模块。 ...
动手学深度学习——目标检测 SSD R-CNN Fast R-CNN Faster R-CNN Mask R-CNN
iwill323的博客
09-26 1697
目标检 SSD R-CNN Fast R-CNN Faster R-CNN Mask R-CNN
目标检测篇——Faster R-CNN
weixin_43872060的博客
06-04 7225
目录1. Faster R-CNN理论1.1 R-CNN(Region with CNN feature)1.1.1 R-CNN概述1.1.2 R-CNN流程1.1.3 R-CNN框架1.1.4 R-CNN存在的问题1.2 Fast R-CNN1.2.1 Fast R-CNN概述1.2.2 Fast R-CNN流程1.2.3 Fast R-CNN损失函数1.2.4 Fast RCNN框架1.2.5 Fast RCNN存在的问题1.3 Faster R-CNN1.3.1 Faster R-CNN概述1.3.2
深度学习——目标检测（R-CNN、Fast R-CNN、Faster R-CNN）
清园暖歌的博客
09-04 194
A svm分类后概率为 0.98，B 概率为 0.86，通过对边界框进行IOU计算，大于我们设定的阈值说明是同一个目标，就把概率低的删掉。这里应该就是二值交叉熵损失，如果是softmax，对于是前景的概率应该也是更大的概率，而不是0.1这种，pi就是目标的概率。[u≥1] 的意思是：当 u 满足 ≥1时，这一项 = 1，当u不满足≥1时，就是对应背景时，这一项 =0。2000个框，每个框都得到4096个特征，把得到的输入svm，得出20个分类的结果。backbone 就是你用于特征提取的主干网络结构。
RCNN、Fast RCNN、Faster RCNN对比
qq_32172681的博客
08-27 5730
RCNN、Fast RCNN、Faster RCNN详解参考以下文章： RCNN：https://blog.csdn.net/qq_32172681/article/details/99105617 Fast RCNN：https://blog.csdn.net/qq_32172681/article/details/99194233 Faster RCNN：https://blog.csd...
目标检测 | R-CNN、Fast R-CNN与Faster R-CNN理论讲解
最新发布
houjingchuan的博客
05-29 3315
目标检测：R-CNN、Fast R-CNN与Faster R-CNN理论讲解，根据B站up霹雳吧啦Wz总结。此文章包含R-CNN算法原理讲解、Fast R-CNN算法原理讲解、Faster R-CNN原理讲解、目标检测评价指标介绍与特征金字塔网络FPN讲解。
R-CNN，Fast R-CNN，Faster R-CNN对比
jindaxiaoooo的博客
08-18 1243
http://imgtec.eetrend.com/blog/2020/100049323.html 一、设计思路 今天介绍的 R-CNN 系列算法，都基于深度学习，它们把目标检测大致分为四部分完成： 1、先从整幅图里选取最可能有物体的一些候选区域，这些区域一般用长方形框表示，这一步能缩小寻找范围 2、既然用到深度学习，那就需要学习图像的深层特征，这里我们只关心上一步选出区域的图像特征，提取的特征可用于分类回归任务 3、分类就是常规的分类方法，不过这里是多分类 4、第一步给的候选框经过筛选后，不一定精准.
R-CNN , Fast R-CNN , Faster R-CNN原理及区别
jiangshiwei2008的专栏
01-06 142
1、生成候选区域 使用Selective Search（选择性搜索）方法对一张图像生成约2000-3000个候选区域，基本思路如下： （1）使用一种过分割手段，将图像分割成小区域 （2）查看现有小区域，合并可能性最高的两个区域，重复直到整张图像合并成一个区域位置。优先合并以下区域： 颜色（颜色直方图）相近的 纹理（梯度直方图）相近的 合并后总面积小的 合并后，总面积在其BBOX中所占比例大的 在合...
【深度学习】 三大经典识别算法 R-CNN、Fast R-CNN、Faster R-CNN概述简介
qq_40314507的博客
09-25 3920
1.R-CNN (14年）   1.首先用selective search的方法选出许多候选框；   2.对于每一个候选框分别执行卷积网络的操作，提取特征；   3.把卷积做好的特征放到svm分类器和Bbox reg的回归器。   缺点：   1.候选框没有共享卷积神经网络，不同的框要构造不同的神经网络（因为卷积层虽然不要求图片大小，但是全连接层有要求）。   2.分类用svm做，...
浅谈 R-CNN 、 Fast R-CNN、Faster R-CN
m0_38139098的博客
03-08 409
0. 前言 R-CNN 系列是目标检测的经典开端，包括后面的Fast RCNN等在内，提出了很多目标检测中的重要概念，是做目标检测必须要了解的。 下面进行逐一介绍 一. R-CNN 功能来自于结构，因此我们首先看网络结构 上图中表明了R-CNN的框架，描述如下： 输入一张图片 基于Selective Search提取出提议区域（region proposal） ，也就是上图2....
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
小白学视觉
03-04 2743
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达一、目标检测常见算法object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。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...
物体检测经典三大网络---R-CNN、Fast R-CNN、Faster R-CNN
weixin_45936137的博客
04-16 632
文章目录前言一、R-CNNRCNN的问题：二、Fast R-CNNFast R-CNN的问题：三 、 Faster R-CNN设计思想：（核心）RPN网络：总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、R-CNN 首先通过selective search方法从一张图片中产生候选框（大概2000个）； 对于每一个候选框
深度学习目标检测框架解析：从R-CNN到YOLO
本文主要介绍了目标检测领域的四个关键算法——R-CNN、Fast R-CNN、Faster R-CNN和YOLO，它们都是基于深度学习技术。这些算法不仅需要识别图像中的物体，还需要精确地定位物体的位置，通常通过边界框（Bounding Box...
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