目标检测之RCNN

最新推荐文章于 2023-12-04 21:58:30 发布
最新推荐文章于 2023-12-04 21:58:30 发布
阅读量329 收藏
点赞数
分类专栏： 目标检测 文章标签： 深度学习 神经网络
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/X_Jun005/article/details/107316284
版权

何为目标检测

目标检测描述-简书，目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。

RCNN

我们这篇只讲RCNN
R-CNN（Region CNN，区域卷积神经网络）可以说是利用深度学习进行目标检测的开山之作，作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更是带领团队获得了终身成就奖，如今就职于Facebook的人工智能实验室（FAIR）。
在这里插入图片描述
算法流程
1：输入图像
2：每个图像生成1k~2k个候选区域
3：对每个区域使用深度网路模型进行特征提取（Alexnet，vgg等CNN都可以）
4：将特征送人每一类的svm分类器，判别是否属于该类
5：使用回归器精细修正候选框位置

生成候选框位置

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
（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
    在合并时须保证合并操作的尺度较为均匀，避免一个大区域陆续“吃掉”其它小区域，保证合并后形状规则。
    （3）输出所有曾经存在过的区域，即所谓候选区域
    在这里插入图片描述

特征提取

使用深度网络提取特征之前，首先把候选区域归一化成同一尺寸227×227。
使用CNN模型进行训练，例如AlexNet，一般会略作简化，如下图：
在这里插入图片描述

类别判断

对每一类目标，使用一个线性SVM二类分类器进行判别。输入为深度网络（如上图的AlexNet）输出的4096维特征，输出是否属于此类。

位置修正—NMS（非极大值抑制）

目标检测的衡量标准是重叠面积，许多看似精准的检测结果，往往因为候选框的不够精准，重叠面积很小，故需要一个位置精修步骤，对于每一个类，训练一个线性回归模型去判定这个框是否框的完美。
在这里插入图片描述

NMS（非极大值抑制）

NMS(Non Maximum Suppression)，又名非极大值抑制，是目标检测框架中的后处理模块，主要用于删除高度冗余的bbox，如下图直观看看NMS的工作机制：从下述可视化的结果可以看出，在目标检测过程中，对于每个obj在检测的时候会产生多个bbox，NMS本质就是对每个obj的多个bbox去冗余，得到最终的检测结果．

Non-Maximum Suppression的翻译是非“极大值”抑制，而不是非“最大值”抑制。这就说明了这个算法的用处：找到局部极大值，并筛除（抑制）邻域内其余的值。
这是一个很基础的，简单高效且适用于一维到多维的常见算法

假设有6个矩形框，根据分类器的类别分类概率做排序，假设从小到大属于车辆的概率 分别为A、B、C、D、E、F。
在这里插入图片描述
(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值。

(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。

(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。
就这样一直重复，找到所有被保留下来的矩形框。

IOU

交并比（Intersection over Union）是目标检测NMS的依据
衡量边界框位置，常用交并比指标，交并比（Injection Over Union，IOU）发展于集合论的雅卡尔指数（Jaccard Index）[3]，被用于计算真实边界框Bgt（数据集的标注）以及预测边界框Bp（模型预测结果）的重叠程度。

两边界框相交部分面积与相并部分面积之比
在这里插入图片描述

NMS变种

局部感知NMS(LNMS)
1.先对所有的output box集合结合相应的阈值（大于阈值则进行合并，小于阈值则不和并），依次遍历进行加权合并，得到合并后的bbox集合；
2.对合并后的bbox集合进行标准的NMS操作
在这里插入图片描述

倾斜NMS(INMS)

基本步骤(rbox代表旋转矩形框)
1.对输出的检测框rbox按照得分进行降序排序rbox_lists；
2.依次遍历上述的rbox_lists．具体的做法是：将当前遍历的rbox与剩余的rbox进行交集运算得到相应的相交点集合，并根据判断相交点集合组成的凸边形的面积，计算每两个rbox的IOU；对于大于设定阈值的rbox进行滤除，保留小于设定阈值的rbox；
3.得到最终的检测框
在这里插入图片描述

多边形NMS(PNMS)

基本步骤
其思路和标准NMS一致，将标准NMS中的矩形替换成多边形即可
在这里插入图片描述

掩膜NMS(MNMS)

具体步骤
1.先将所有的检测按照得分进行降序排序box_lists；
2.对box_lists进行遍历，每次遍历当前box与剩余box的IOU(它是在掩膜的基础上进行计算，对于大于设定阈值的box进行滤除；

3.得到最终的检测框在这里插入图片描述
在这里插入图片描述
针对水平文本检测：标准的NMS就可以

针对基于分割方法的多方向文本检测，优先推荐Mask NMS，当然也可以采用Polygon NMS和Inclined NMS

针对基于检测方法的多方向文本检测，优先推荐Polygon NMS和Inclined NMS

X_Jun005
关注
专栏目录
目标检测：R-CNN
flyingzhao
12-17 4106
《Rich feature hierarchies for accurate object detection and semantic segmentation》论文解读目标检测问题就是从图片中检测出目标的位置并判断目标的类别，比如人脸检测问题。不过人脸检测问题只是一种专门针对人脸的检测问题，而本文提出的R-CNN是通用目标检测问题，针对20类目标的检测。通用目标检测问题只需要进行适当修改就可以应
【目标检测】RCNN算法详解
热门推荐
shenxiaolu1984的专栏
04-05 22万+
深度学习用于目标检测的RCNN算法
实例分割 Mask-RCNN
llf000000的博客
12-04 218
voc2012文件夹组织
目标检测-RCNN
念去去的博客
12-06 333
rcnn首先会做一个region proposal，也就是任意的找到一些疑似完整物体的区域，这一步是任意的，根据梯度信息找到一些边缘，然后就圈出来了。这一步会找到非常多的区域作为候选框，给接下来的分类提供素材。论文说的是找了两千多个 接着把那些候选框一个一个输入神经网络，算出特征 接着把算出的特征交给svm去做分类，得到分类与置信度。 最后每个类别在训练出四个向量，保证预测的时候特征这四个向量可...
RCNN目标检测
ferry的博客
12-30 156
RCNN目标检测总结 R-CNN fast R-CNN faster R-CNN mask R-CNN RCNN selection search ROI 耗时的串行式CNN前向传播，对于每一个RoI，都需要经过一个AlexNet提特征 SVM 使用bounding box regression进行目标包围框的修正 Fast RCNN selection search ROI poo...
RCNN--目标检测
dulingtingzi的博客
06-26 1302
转载自：https://www.cnblogs.com/zyber/p/6672144.html 感觉这篇文章讲的很细致，故而转载以备后面复习研读 原博文：http://www.cnblogs.com/soulmate1023/p/5530600.html 文章简要介绍RCNN的框架，主要包含： 原图--》候选区域生成--》对每个候选区域利用深度学习网络进行特征提取--》特征送入每一类SV...
目标检测-RCNN.pptx
05-08
RCNN（Region-based Convolutional Neural Network）是2014年提出的一种目标检测方法，它首次将卷积神经网络（CNN）引入目标检测领域。RCNN的目标是接收图像并识别出图像中的主要对象及其位置。RCNN的主要流程包括四...
目标检测之RCNN、SPP-net、FastRCNN和FasterRCNN的学习
qq_53582111的博客
03-12 3774
一、RCNN 1、R-CNN的问题 训练对象 训练CNN里面的卷积，用log loss进行训练 把CNN里面参数固定住了，然后接SVM(hinge loss)做二分类或者多分类 把CNN里面参数固定住了，然后接线性回归(最小二乘) 训练时间长，占用很多磁盘空间 Inference（正向传播） 使用这一套流程很慢 CNN用了VGG16也花了47s 二、SPP-net(Spatial Pyramid Pooling 空间金字塔池化 ) ...
目标检测模型-Faster-RCNN模型-Pytorch版本
最新发布
05-13
Faster R-CNN（Faster Region-based Convolutional Neural Network）是一种流行的目标检测框架，由Shaoqing Ren、Kaiming He、Ross Girshick和Jian Sun在2015年提出。Faster R-CNN在目标检测领域具有里程碑意义，...
目标检测Faster-RCNN源码
05-31
介绍利用Faster-RCNN去训练Pascol VOC数据集或者训练自定义数据集。 参考博客：https://blog.csdn.net/weixin_38346042/article/details/125044860?spm=1001.2014.3001.5502
目标检测RCNN
weixin_43082343的博客
08-12 396
目标检测的RCNN算法， 原文地址：https://arxiv.org/pdf/1311.2524.pdf RCNN将候选区域（region proposal）与 CNN 结合，分为四个步骤： 原论文中的结构图：
目标检测—RCNN系列
weixin_44768052的博客
04-09 4784
工程应用中，检测算法以one-stage算法yolo系列等为主，因为one-stage通常来说速度快，可以完成良好的实时检测。 本文回顾的是two-stage算法:RCNN系列 One-stage and two-stage: one-stage: 直接回归物体的类别概率和位置坐标值（无region pr...
R-CNN网络基础
最白の白菜的博客
02-28 1446
目录R-CNN网络基础Overfeat模型RCNN模型算法流程候选区域生成CNN网络提取特征目标分类（SVM）目标定位预测过程算法总结Fast RCNN模型算法流程ROI Pooling目标分类和回归模型训练模型预测模型总结总结 R-CNN网络基础 学习目标 了解Overfeat模型的移动窗口方法 了解RCNN目标检测的思想 了解fastRCNN目标检测的思想 知道多任务损失 Overfeat模型 Overfeat方法使用滑动窗口进行目标检测，也就是使用滑动窗口和神经网络来检测目标。滑动窗口使用固定宽
【目标检测】R-CNN 系列
JNing
12-02 1151
【目标检测】R-CNN 系列
目标检测之R-CNN
qq_40716944的博客
03-23 991
R-CNN（region with CNN feature）于13年被Ross Girshick（江湖人称RBG大神）提出，是使用深度学习进行目标检测的里程碑式的工作，可以说这项工作很大程度推动了深度学习在目标检测中的应用。 一、动机及解决的问题 1、与分类任务不同，目标检测需要框出指定的区域，有相关paper直接使用回归的方法得到区域的位置，但实际应用起来效果并不好；另外，有方法直接使用滑窗加深度学习的方法，不过这一类方法通常网络层次并不深，主要考虑到的是一旦网络层次加深，最后输出的特征...
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