Fast R-CNN论文笔记

最新推荐文章于 2022-08-18 17:44:23 发布
最新推荐文章于 2022-08-18 17:44:23 发布
阅读量190 收藏
点赞数
分类专栏： 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/chenghaoy/article/details/94620806
版权

论文地址：https://arxiv.org/pdf/1504.08083.pdf

前记： 在此论文之前，作者就已经提出R-CNN算法，在性能上已经是state of the art，但是无论是在训练还是测试都十分耗时，主要是该算法模型是由多个不同的部分组成，每一部分都需要单独训练，包括卷积网络特征提取，SVM分类器训练，回归框训练，过程较为繁琐导致效率低下，而且对每一张图片通过selective search提取的2K个region proposal都需要输入到网络中进行特征提取，导致一张图片中有很多重复的内容被计算，为了避免这些问题，作者提出了Fast R-CNN算法，使得在R-CNN中测试一张图片需要47s，而Fast R-CNN只需要0.32s.

文章的主要贡献：

  1. 比R-CNN 、SPP-net更高的准确率和速度
  2. 单级训练，使用的是联合损失函数
  3. 训练更新所有网络层参数（SPP-net只更新全连接层）
  4. 不再需要额外的硬盘存储特征值（R-CNN训练SVM分类器需要额外的硬盘存储卷积层提取的特征）

网络结构：
如下图，Fast R-CNN网络由卷积层+ROI池化层+全连接层（并联）组成
在这里插入图片描述

  1. 输入任意size 的图片通过卷积池化层后得到特征图
  2. 对任意size的图片提取2k个region proposal
  3. 在ROI池化层中输入特征图和region proposal，根据region proposal在原图的位置找到对应于特征图的区域，即特征图的region proposal
  4. 经过ROI池化层使得特征图的每一个region proposal变成固定的 H ∗ W H*W H∗Wsize，在原文中ROI池化层输出的大小为7*7. 具体操作为：对特征图的每一个region proposal区域都先划分为 H ∗ W H*W H∗W个网格，然后对每一个网格使用max pooling 池化，这样输出的特征框大小为 H ∗ W H*W H∗W，此方法取代了R-CNN中的直接对region proposal resize的操作
  5. 将经过ROI池化处理后的特征输入到全连接层，此时要经过两个并联的全连接网络，一个是用于分类的softmax网络，输出每一个候选框的分类得分，一个是用于bbox回归的网络，获得每一个bbox的位置

训练：

1. The RoI pooling layer
ROI pooling层将特图固定到 H ∗ W H*W H∗W大小，具体操作为：对特征图的每一个region proposal区域都先划分为 H ∗ W H*W H∗W个网格，然后对每一个网格使用max pooling 池化，这样输出的特征框大小为 H ∗ W H*W H∗W，因此假设特征图的大小为 h ∗ w h*w h∗w，则经过ROI层特征图的缩放比例为 h / H ∗ w / W h/H * w/W h/H∗w/W，在原文中H和W均为超参数，设置为7x7。

2. Initializing from pre-trained networks
文中采用AlexNet【S for small】、VGG_CNN_M_1024【M for medium】、VGG-16【L for large】这三种网络分别进行训练测试，同时进行了相应的调整，主要表现为使用ROI池化层代替卷积网络最后一层的max pooling，将网络的全连接层以及softmax输出层替换为两个并联的全连接层，调整网络的输入为两部分，即图像本身以及对应的感兴趣区域。

3.Multi-task loss
多任务损失由部分组成，即分类损失以及bounding_box回归损失：
在这里插入图片描述
分类损失： L c l s ( p , u ) = − l o g p u L_{cls}(p, u) = -logp_{u} Lcls​(p,u)=−logpu​
回归损失：L1损失
在这里插入图片描述
结果：

  1. PASCAL VOC 2007训练集上，使用VGG-16【L for large】网络Fast R-CNN训练时间为9.5h，同等条件下R-CNN需要84h，快8.8倍；

  2. PASCAL VOC 2007测试集上，使用VGG-16【L for large】网络不采用SVD Fast R-CNN测试时间为0.32s/image【不包括候选区域提取时间】，同等条件下R-CNN需要47.0s/image，快146倍；采用SVD测试时间为0.22s/image【不包括候选区域提取时间】，快213倍；

  3. PASCAL VOC 2007测试集上，使用VGG-16【L for large】网络不采用SVD Fast R-CNN mAP为66.9%，同等条件下R-CNN mAP为66.0%；Fast R-CNN采用SVD mAP为66.6%。

存在的问题：
region proposal相对于网络的整个检测过程太费时，而且因为region proposal的存在（通过selective research方法提取）导致网络无法实现真正的端到端。

chenghaoy
关注
专栏目录
Fast R-CNN 论文 笔记 及 源码解读
zhoujunr1的博客
04-22 403
Fast R-CNN 与RCNN SPPnet对比 RCNN首先finetune，使用log loss。然后，使用SVMs来训练，最后，使用bounding-box regressor。 代价大 慢 Fast R-CNN 模型结构和训练 一张图片首先经过几个卷积层和池化层产生特征向量，然后 for each object proposal a region of inter...
Fast R-CNN论文笔记《Fast R-CNN》
邬小阳
03-11 1674
1.Introduction     在之前介绍的R-CNN中，训练是分多阶段进行的（multi-stage pipeline），基本上都要分为4步：extracting features、fine-tuning a network with log loss、training SVMs和fitting bounding box regressors。新提出的SPPnet网络也和这个
Fast R-CNN论文阅读笔记
weixin_39958313的博客
02-12 454
1、介绍 R-CNN提供了非常准确的目标检测，但是它也有弊端：1、训练是多阶段的：用log loss先在目标提议上微调卷积网络，然后，用SVM做目标检测器，最后学习边界框回归。2、训练在空间时间上成本高：对于SVM和边界框回归训练，特征从每个图片的每个目标提议上提取并写入磁盘，很深的网络产生特征需要非常大的存储。3、目标检测慢：测试阶段，特征从每个测试图片的每个目标提议上提取，耗时长。 ...
Fast R-CNN 论文学习笔记
Learning
09-10 377
原论文：《Fast R-CNN》 代码：https://github.com/rbgirshick/fast-rcnn 关键操作：RoI映射、RoI池化 基本说明： 输入：图片及一些目标候选区域 流程： 获取候选框； 特征提取，获取特征图； 将候选框映射到特征图上； 在特征图上，根据候选框在特征图上的映射进行RoI池化，得到固定长度的特征向量； 将特征向量分别送入两个全连接层； 两个全连接...
【论文阅读笔记】Fast R-CNN
时光机 °的博客
07-14 420
概要   论文的CNN实验架构从 AlexNet 到 VGG16AlexNet 到 VGG16AlexNet\ 到\ VGG16。该论文的架构的训练速度、测试速度、精确度比 RCNN 和SPPnetRCNN&am
『论文笔记』Fast R-CNN论文解读!
AI新视界
05-19 2047
Fast R-CNN论文解读! 文章目录一、Fast R-CNN1.1、问题 一、Fast R-CNN 这篇论文2015年发表在IEEE上的论文，出自华人学者何凯明大神之手。Fast R-CNN论文下载链接。 1.1、问题 训练分多步骤：（先在分类数据集上预训练，再进行fine-tune训练，然后再针对每个类别都训练一个线性SVM分类器，最后再用regressors对bounding box...
目标检测学习笔记（三）：Fast R-CNN
懿翛簃
08-28 578
原文参考：Fast R-CNN Fast R-CNN 是2015年 Ross Girshick 提出的目标检测优化模型，这个模型是建立在 R-CNN 和 SPPnet 模型的基础上进行改进的，实现了在训练及测试速率上都达到了很大程度上的优化。 首先，R-CNN 本身具有一些问题： R-CNN 是一种多步骤训练的模型（Multi-stage pipeline），先通过卷积网络对每一个输入的 obj...
R-CNN论文详解（论文翻译）
热门推荐
Cheese的博客
05-08 10万+
faster-rcnn在深度学习领域算是一篇开创性的论文，对后续产生的而网络有很重要的意义，认真读懂这篇论文，相信也算是深度学习入门了 。今天又重新读了读faster-rcnn,整理了一份阅读笔记，整理的过程使自己对整个深度学习又有了更深的理解。果然论文还是应该多读几遍才能理解的。
fast r-cnn笔记
u013793650的专栏
11-22 494
1. Introduction 关键点：从多阶段（multi stage）训练合并到single stage 训练 1.1 R-CNN存在的问题 多个训练阶段 multi stage pipeline：finetuing, svm classifier, bbox regressor 空间、时间上expensive：SVM, bbox regressor训练输入的cnn特征保存在磁
Fast R-CNN论文详解
章鱼、不嚎
11-02 782
Fast R-CNN 1、 Fast R-CNN 贡献 新提出的Fast R-CNN模型解决了之前模型存在的问题，并使得模型具有以下的优点： 目标检测的性能(mAP)要高于R-CNN和SPPnet 整个训练过程是single-stage的，并且使用了multi-task 的损失函数 训练的过程能够更新所有层(这点主要针对于SPPnet，因为SPPnet不能更新SPP layer 之前的层) 不需...
Fast-R-CNN论文解读
勤劳鸟儿
02-20 3798
Fast-r-cnn是Ross在2015年发表的一篇论文，其网络全称为： Fast Region-based Convolutional Network method–用于目标检测的基于区域的快速卷积网络算法。 在于先前的网络R-CNN对比之下，其训练速度要快9倍，检测时间快出来213倍（R-CNN的检测时间GPU工作下为47s一张图片），同时在检测精度上也作了进一步的提升。 一、任务简介 在介绍中，作者提出目标检测任务相比分类来说更为复杂和困难，首先计算机要处理众多的候选目标区域（也就是proposal
Fast R-CNN 论文笔记
weixin_30693683的博客
06-05 88
　　论文地址：https://arxiv.org/abs/1504.08083　 　　Fast R-CNN诞生于R-CNN的基础上，其网络结构如下： 　　　　 　　　　　　　　　　　　　　图1 Fast R-CNN基本结构（来自原论文） 　　依上图Fast R-CNN基本结构，Fast R-CNN可以分为3个部分： 　　1. Conv layers。不同于之前R-CNN由Selectiv...
Faster R-CNN 论文总结
laonafahaodange的博客
01-24 2269
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 核心是region proposal network（RPN）。本质上是把fast r-cnn当中region proposal的方法从selective search算法替换成RPN。论文提到的训练方法现在已经不用了，pytorch的官方实现当中直接进行了联合训练。 摘要 当前（faster r-cnn提出前）SOTA的目标检测网络需要region
R-CNN,SSP-Net,fast-RCNN,faster-RCNN论文读后笔记
qq_29133371的博客
08-18 5429
R指的是region，也就是在数据进入深度网络（CNNs）之前进行预处理,在预训练图像中生成若干个regionproposals，再将这些regionproposals 进行resize,因为CNN网络要求输入数据维度相同。 训练过程： ①supervised pre-training，使用传统的CNN来训练大规模数据集ImageNet，获得初始化权重。 所谓的有监督预训练，我们也可以把它
【论文精读】Fast R-CNN
takedachia的博客
08-18 2655
《Fast R-CNN》是同一个作者基于自己之前的R-CNN工作的改进。 Fast R-CNN也是基于深度卷积神经网络用于计算机视觉任务（主要用于目标检测）的算法。 他在R-CNN的基础上进行了大幅创新，比如将目标的分类和定位的步骤进行了统一，实现了端到端的训练、预测流程。 Fast R-CNN在使用VGG-16的主干网络时，训练速度比R-CNN快9倍，测试速度快了213倍，并提升了检测精度。 训练速度比SPPnet快了3倍，测试速度快了10倍，并提升了准确率。......
论文翻译与理解：Fast R-CNN
deeplearningbo的博客
04-09 1777
本博客会参考其他博客上的资料，如有侵权，请联系删除。 摘要 本文提出了一种快速的基于区域的卷积网络方法（Fast R-CNN）用于物体检测。Fast R-CNN建立在先前的工作基础上，以使用深度卷积网络有效地对区域建议进行分类。与之前的工作相比，Fast R-CNN采用了几项创新来提高训练和测试速度，同时提高了检测精度。Fast R-CNN训练非常深的VGG16网络比R-CNN快9...
Fast R-CNN：深度学习目标检测的高效网络
"Fast R-CNN是Ross Girshick在微软研究院提出的一种快速的区域卷积网络方法，用于提升目标检测的效率和准确性。它在R-CNN的基础上进行了改进，通过区域生成网络（Region Proposal Network, RPN）替代了Selective ...
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