RCNN 从region proposal到bounding box回归

最新推荐文章于 2024-07-10 23:29:48 发布
最新推荐文章于 2024-07-10 23:29:48 发布
阅读量1.3k 收藏 2
点赞数
分类专栏： 图像基本处理
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/YZXnuaa/article/details/79197980
版权
这篇博客详细介绍了RCNN系列方法，包括RCNN、Fast RCNN和Faster RCNN。重点讨论了在目标检测中的bounding box回归问题，阐述了为什么要进行边框回归，以及线性回归在边框调整中的应用。同时，文章还探讨了RCNN系列算法的优化和效率提升，特别是Faster RCNN如何通过区域生成网络消除计算冗余，提高运行速度。
摘要由CSDN通过智能技术生成

网上很多关于Faster RCNN的介绍，不过这一片算是比较全的了，不仅包括整体流程、思想的介绍，也包括各个实现较为深入的介绍。大概内容记录如下（仅记录目前我感兴趣的部分）：

1 各种CNN模型以及数据库

自从接触基于深度学习的目标检测这一领域以来，经常遇到各种CNN模型，比如ZF模型、VGG模型等等。同时也接触到各种数据集如PASCAL VOC、MNIST、ImageNet等等，博文深度学习常用的Data Set数据集和CNN Model总结 进行了总结。

2 RCNN系列方法的介绍

RCNN算法

RCNN算法分为4个步骤

  • 一张图像生成1K~2K个候选区域（采用SS方法）
  • 对每个候选区域，使用深度网络提取特征
  • 特征送入每一类的SVM 分类器，判别是否属于该类
  • 使用回归器精细修正候选框位置

位置精修

目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要一个位置精修步骤。
回归器
对每一类目标，使用一个线性脊回归器进行精修。正则项λ=10000。 输入为深度网络pool5层的4096维特征，输出为xy方向的缩放和平移。
训练样本
判定为本类的候选框中，和真值重叠面积大于0.6的候选框。 可以看出该网络重复计算量很大，2K个候选框单独用CNN提取特征，再分类！

Fast RCNN

Fast

最低0.47元/天 解锁文章
YZXnuaa
关注
专栏目录
Python编程期末测试卷（含答案）
12-18
Python编程期末模拟卷，包括选择题、填空题、程序阅读题、简答题以及编程题，并包含详细的参考答案，方便老师出卷参考以及学生期末复习自测。
【目标检测】概念理解：region proposal、bounding box、anchor box、ground truth、IoU、NMS、RoI Pooling
kentocho的博客
11-14 7407
本文主要对region proposal、anchor box、bounding box、bounding box regression、ground truth、IoU、NMS、RoI Pooling 这些名字进行解释，随后附上RCNN、Fast RCNN、Faster RCNN的实现步骤。
详细理解RCNN中的Bounding Box Regression，损失函数，SVM概念
最新发布
2301_81784934的博客
07-10 516
rcnn
【Faster RCNN】RPN中bbox的回归操作
咖啡味儿的咖啡
03-05 2092
代码来自 github:https://github.com/smallcorgi/Faster-RCNN_TF # ex_roi 用来回归的anchor # gt_roi 每个anchor对应的ground truth # 在进行回归前，保证每个需要回归的anchor都有一个gtbox作为回归的目标 def bbox_transform(ex_rois, gt_rois): #计...
anchor roi boundingbox proposal 解释
shi_xin的专栏
01-28 516
ground truth：指标注框 anchor：指人为初始给的先验框，一般在二阶段检测器的RPN阶段或者在一阶段检测器中设置 proposal：指的是二阶段方法中RPN的输出框，也就是对anchor第一次做回归得到的结果 ROI：指RPN阶段输出的proposal经过排序取topk，然后做nms取一定数量的框，用于第二阶段的再次精修；在RCNN ，Fast RCNN方法中指通过选择性搜索生成的框 bounding box：指proposal经过再次精修后的预测框 ...
bounding box 与 Region Proposal（候选区域）的关系
c_daofeng的博客
12-04 2189
感觉一句话概括就是  ：Region Proposal是一个区域，bounding box就是这个区域的4条边，而这4条边就是用一个4维向量来表示的。当然，ground truth的4条边也叫bounding box，即bounding box代表了一个区域的相对位置。 不知道理解的对不？还请各位大佬指教。...
Bounding-box_regression详解
08-18
其基本思想是对候选区域（Region Proposal）进行微调，使得调整后的边界框更加精确地覆盖目标物体，从而提高整体的检测准确率。这一过程通常是在分类之后进行，作为整个检测流程的一部分。 #### 二、问题数学表达：...
caffeCN bounding-box regression详细解释 pdf
05-02
在R-CNN系列算法，如Fast R-CNN和Faster R-CNN中，bounding-box回归器用于对通过选择性搜索（Selective Search）或其他方法生成的区域提议（Region Proposal）进行微调，以提高检测的精确度。 bounding-box回归的...
FasterRCNN网络 pytorch
03-28
注意版本：Torch版本 0.4 Faster RCNN其实可以分为4个主要内容： 1. Conv layers。作为一种CNN网络目标...利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。
faster-rcnn详解
06-08
Girshick 在 2016 年提出的目标检测算法，继承了 RCNN 和 Fast RCNN 的优点，并将特征提取、proposal 生成、 bounding box 回归和分类整合到一个网络中，提高了检测速度和准确性。 Conv layers Conv layers 是 ...
目标检测-RCNN.pptx
05-08
在目标检测中，系统需要识别图像中包含的物体并确定它们的精确位置，通常以边界框（bounding box）的形式表示。图像识别（classification）是判断图像内容的类别，如猫或狗，其评估指标是准确率。定位（localization...
重要的 CNN 概念
Jiashilin
03-22 205
博客http://www.dataguru.cn/article-11219-1.html 重要的 CNN 概念 1. 特征 （图案，神经元的激活，特征探测） 当一个特定的图案（特征）被呈现在输入区（接受域）中时，一个隐藏的神经元就被会被激活。 神经元识别的团可以被进行可视化，其方法是：1）优化其输入区，将神经元的激活（deep dream）较大化；2）将梯...
Faster RCNN详解：从region proposal到bounding box回归
热门推荐
持久决心的博客
12-14 4万+
转载自Faster RCNN解析 。 网上很多关于Faster RCNN的介绍，不过这一片算是比较全的了，不仅包括整体流程、思想的介绍，也包括各个实现较为深入的介绍。大概内容记录如下（仅记录目前我感兴趣的部分），详情参看原文。
Faster RCNN的RPN是怎么实现回归的？
wshdkf的博客
05-25 6620
注：些许心得，或比较乱。首先来看RPN的损失函数：总损失=分类损失+回归损失。由于RPN的作用时生成候选区域，因此为2分类（是/否目标）问题。回归则是为了对目标区域更准确地定位。参考网络配置文件：回归损失采用方程：训练回归过程时，也需要标签信息。ti 和 ti* 分别为网络的预测值和回归的目标。；在训练RPN时需要准备好目标t*。它是通过ground-truth box（目标真实box）和anch...
目标检测中的anchorproposals、Region Proposal什么意思？
qq_39324954的博客
06-21 3860
1、 proposal2、Region Proposal Region Proposal：指候选区域 目标检测的目的在于：对图像中的物体进行较精确的定位，并识别出图像中包含物体的类别。一张图像中能够检测出物体所在的区域并且给出物体类别概率 定位的方式*：给出一个包含该物体的框。...
【tensorflow + Faster RCNN】boundingbox回归
Mr_health的博客
12-12 2265
1.为什么要做Bounding-box regression？ 如图所示，绿色的框为飞机的Ground Truth，红色的框是提取的Region Proposal。那么即便红色的框被分类器识别为飞机，但是由于红色的框定位不准(IoU<0.5)，那么这张图相当于没有正确的检测出飞机。如果我们能对红色的框进行微调，使得经过微调后的窗口跟Ground Truth更接近，这样岂不是定位会更准确......
物体检测--Mask_RCNN系列:(一)论文最详解读
Danbinbo的博客
07-15 1606
Mask-RCNN是ICCV2017的best paper，是何凯明大神的又一力作,Mask R-CNN是基于Faster R-CNN的基于上演进改良而来，FasterR-CNN并不是为了输入输出之间进行像素对齐的目标而设计的，为了弥补这个不足，我们提出了一个简洁非量化的层，名叫RoIAlign，RoIAlign可以保留大致的空间位置，除了这个改进之外，RoIAlign还有一个重大的影响：那就是它...
Faster-RCNN算法详解
stu_shanghui的博客
06-10 2087
Faster-CNN结构图（以下是Faster-RCNN的结构图） 上图中的目标检测包含了包括region proposal（生成ROI）、feature extraction（特征提取网络）、classification（ROI分类）、regression（ROI回归）。而faster-rcnn利用一个神经网络将这4个模块结合起来，训练了一个端到端的网络。 输入： 将P*...
bbox回归预测时所采用公式思路讨论（1）
赵明明的专栏
11-01 1896
在深度学习框架中，从faster rcnn开始，中间的预测模型，不如ssd,yolo,yolov2等，一直在用如下公式对bbox的位置进行回归， tx=(x-xa)/wa ty=(y-ya)/ha tw=log(w/wa) th=log(h/ha) 这里，其实很多人看到这里时，会有个疑问，为什么不用如下公式来做回归呢？ tx=x-xa ty=y-ya tw=w/wa th=h/h
region proposal
08-19
区域提议（Region Proposal）是指在图像处理中，通过算法自动识别可能包含物体的区域，并将其作为候选框（bounding box）提供给后续的目标检测或图像分割算法进行进一步处理。 在传统的目标检测算法中，需要先定义...
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