Faster R-CNN中RPN网络总结

最新推荐文章于 2024-07-29 09:11:11 发布
最新推荐文章于 2024-07-29 09:11:11 发布
阅读量1.4k 收藏 8
点赞数 1
分类专栏： 深度学习 文章标签： Faster R-CNN RPN 目标检测
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/cxx654/article/details/104061638
版权

RPN网络处理流程：


1、在底层共享卷积层的输出特征图上，以每个位置为中心生成k个anchor,计算anchor与原始图像GT的IoU，根据IoU结果设置anchor的label为正类1，负类0，忽略-1
2、然后对feature map进行两路卷积，卷积核分别为1x1x2k和1x1x4k，分别表示RPN网络输出的每个anchor中包含物体的概率值以及物体的坐标
3、将RPN网络输出的每个anchor的概率得分和每个anchor中物体的坐标作为预测信号，将第1步中计算的每个anchor的label以及与之对应的Ground Truth的坐标作为监督信号，计算RPN网络的损失，完成RPN网络的训练
4、基于损失函数优化RPN网络的输出结果，使得RPN网络输出的region proposal中包含物体的概率得分和物体坐标位置更准确
5、RPN网络的输出结果（anchor的概率得分和坐标位置）就是region proposal，对region proposal进行NMS只保留预测概率高的region proposal，然后送入RoI Pooling层完成进一步的分类与回归（参照Fast R-CNN）

 

RPN分类分支：计算RPN在每个滑窗位置的预测概率与anchor真实标签的分类损失

RPN回归分支：以anchor和其对应的Ground Truth的bounding box作为监督信号，以RPN在每个滑窗位置的预测坐标和anchor的对应关系作为预测信号，完成坐标的回归训练，使得RPN的预测结果更进阶Ground Truth的bounding box坐标

为什么要引入anchor ?为什么不直接计算Ground Truth与预测结果之间的损失，而要通过anchor来计算预测损失？

个人理解：如果不使用anchor，直接计算Ground Truth与预测结果之间的损失，也可以得到单个目标比较精确的目标bounding box,但是目标检测不仅仅是要得到某个目标对象精确的bounding box，还要尽量检测出图片中所有出现的目标，anchor的作用就为检测所有不同位置，不同大小，不同长宽比的目标提供了参照依据。


备注：Faster R-CNN论文中anchor_scale=[128, 256, 512]是相对于原始像素的，对于采用VGG16作为骨干网络来说，anchor_scale对应到VGG16输出的feature map上是[8, 16, 32],存在16倍的关系

胖胖大海
关注
专栏目录
深度学习目标检测之 R-CNN 系列：Faster R-CNN 网络详解
生命在于折腾！
03-19 1080
深度学习目标检测之 R-CNN 系列：Faster R-CNN 网络详解 深度学习目标检测之 R-CNN 系列包含 3 篇文章： 从 R-CNN 和 Fast R-CNN 到 Faster R-CNN Faster R-CNN 网络详解 用 Faster R-CNN 训练自己的数据 1. 前言 这一篇文章主要是深入的理解 Faster R-CNN 网络。并基于 caffe 利用 Faster ...
Faster R-CNN 关于RPN的详解
fine_0007的博客
10-20 883
Faster R-CNN是一种检测算法，与之前提出的算法差异较大的地方在于RPN的提出，RPN的作用是在图像上提取出可能存在物体的矩形区域并给出关于存在目标可能性的打分，给定后的区域将用于分类。 RPN的输入可以为任意尺寸的图片，经过网络的计算后，将输出5个变量，其中四个是预测目标所在位置矩形的坐标，包括中心点坐标和矩形的长宽，第五个变量是对输出矩形框的打分，打分越高矩形框的置信度越高。 RPN的...
Faster RCNN RPN网络
weixin_43436587的博客
09-22 294
1 Faster RCNN 2RPN 网络 注意的点 （1）两次reshape的作用 将（n,18,37,50）改为（n,2,37*9,50）,然后做softmax（intput，1），dim=1，第一维是batch，对第二维进行softmax，如图，这样两两一组，能把每一个特征点都分成前景与背景。在这之后，再把维度改回去。 ...
了解目标检测：两阶段检测（Two-Stage Detection）、单阶段检测（Single-Stage Detection）和区域建议网络（RPN）
最新发布
fydw_715的博客
07-29 1629
在两阶段检测中：RPN作为生成候选区域的关键组件，通过滑动窗口和锚点机制在特征图上生成高可能包含目标的候选区域。随后这些区域被进一步分类和调整，以提高检测精度。在单阶段检测中：没有RPN，直接在图像或特征图上进行预测。这减少了计算复杂度，但可能牺牲了一些细粒度的检测精度。Faster R-CNN：约100-200毫秒/图像YOLOv3：约22毫秒/图像Mask R-CNN：约200-300毫秒/图像YOLOv4：约30毫秒/图像Cascade R-CNN：约150-250毫秒/图像。
faster R-CNN之RPN
孙永杰的博客
03-16 2164
目标检测算法依赖于region proposals算法来假设目标位置，随着SPP Net和fast R-CNN的改进，region proposals已经成为目标检测算法的瓶颈。 RPN网络主要解决region proposals算法的以下问题： 运行时间长。Selective Search算法与目标检测网络相比要慢一个数量级(这里的检测网络主要指Fast R-CNN)，每幅图像需要2s。EdgeBoxes [6]实现了proposasl的质量和速度之间的最佳平衡，每幅图像需要的时间减少为0.2s，但是也
【个人整理】faster-RCNN的关键点(区域推荐网络RPN)详解
热门推荐
MIss-Y的博客
03-28 1万+
前言：faster-RCNN是区域卷积神经网络的第三篇文章，是为了解决select search方法找寻region proposal速度太慢的问题而提出来的，整个faster-RCNN的大致框架依然是沿袭了fast-RCNN的基本能结构，只不过在region proposal的产生上面应用了专门的技术手段——区域推荐网络（region proposal network，即RPN），这是整...
Faster R-CNN中的RPN
qq_28944169的博客
01-18 402
为了生成region proposal，我们在feature map（由共享卷积层的最后一层上输出）上滑动一个small network。这个small network以一个feature map上nn的空间窗口作为输入。每个sliding-window被映射到一个更低维特征（256-d for ZF and 512-d for VGG, with ReLU following）。这些特征再给到两...
Faster R-CNN 中 RPN 原理1
08-03
总结来说，RPN是Faster R-CNN的关键创新点，它通过高效的anchor机制和分类回归网络，实现了快速而准确的目标区域提议，显著提高了目标检测的效率。这种方法避免了传统的图像金字塔和候选区域生成方法，大大减少了...
Faster R-CNN backbone - ResNet101.zip
07-03
Faster R-CNN通过引入一个名为区域提议网络（Region Proposal Network，RPN）的模块，将目标检测过程整合到一个端到端的框架中。这极大地提高了检测速度，同时保持了较高的精度。 ResNet101是微软研究院开发的一种...
从头开始训练Faster R-CNN-python源码.zip
05-02
Faster R-CNN（快速区域卷积神经网络）是计算机视觉领域中用于目标检测的著名算法，由Ross Girshick、Kaiming He、Shaoqing Ren和Jian Sun在2015年提出。它在R-CNN（区域卷积神经网络）和Fast R-CNN的基础上进行了...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
* Faster R-CNN：RPN + CNN + ROI * R-FCN 等 四、基于深度学习的回归方法 基于深度学习的回归方法是目标检测算法的一种，通过使用深度学习方法来预测物体的位置和类别。常见的方法有： * YOLO：You Only Look ...
Faster R-CNN之RPN详解
thisiszdy的博客
04-04 1525
参考博客： 1、https://blog.csdn.net/e01528/article/details/83618169 一、整体结构 二、RPN详解 1、通过VGG16网络模型提取Feature Map： CNN：13个conv层，13个relu层，4个pooling层。这里有一个非常容易被忽略但是又无比重要的信息，在Conv layers中： 所有的conv层都是：kernel_siz...
通俗理解faster-rcnn的rpn网络
feng__shuai的博客
07-28 762
其实rpn网络非常简单，只是被各种五花八门的人解读的比较玄学，下图中虚线下面部分就是rpn网络： 虚线上面是几个卷积池化，说白了就是提特征，在虚线这一层的上面会得到C个H*W的特征图，这个特征图大小是知道的（不会求的可以自己去面壁思过了，这是卷积的最最最基础的基本功了）这里可以假设100个14*14大小的特征图。 接下来我们我们用一个（3，3，100，256）的卷积核去对这一层进行卷...
Faster R-CNN(~ RPN + Fast R-CNN)
博观而约取，深研而广求
08-18 3910
Faster R-CNN是一个真正意义上的端对端的目标检测模型，总体实现方式继承自RCNN， Fast RCNN, 而最大的改进是废除了上述两者的Selective Search 算法，同时也是其实现端对端的保证。论文中说，如果简单地在CNN前面加上一个专门提取proposal的网络显得不够优雅，所以最终把region proposal 提取和 Fast R-CNN部分融合进了一个网络模型，也就是区
目标检测：Faster R-CNN——RPN模块介绍及源码笔记
qq_50001789的博客
08-09 985
目标检测：Faster R-CNN——RPN模块介绍及源码笔记 目的：预测出图像中目标所在的位置输入：特征图输出：物体边界框，大致将图像中的物体标注出来模块流程：损失计算过程：流程图原创，使用请告知。
frcnn
weixin_38382622的博客
10-14 391
作者：「已注销」 链接：https://www.zhihu.com/question/42205480/answer/525212289 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 使用的网络是VGG16：注意：RPN输出的回归层是9个单独的回归器 ​的集合，就是说这9个包围盒回归器不共享权重，每个回归器负责一种尺度和长宽比（和相应的anchor比例基本相同）。假设有anchor（大小为 ​，长宽比为1:1,1:2,2:1），则可能包围盒回归器 ​负责预测 .
faster-rcnn
qq_37249672的博客
04-23 480
Faster RCNN 1、Faster-rcnn主要分为以下4个部分： 1、Conv layers。Faster RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature map...
Faster RCNN
zhulf0804的博客
09-11 247
写的很乱，仅为记录学习过程, 主要是看博客和代码的心得… 好久以前就看过faster rcnn, 但一直是似懂非懂，最近结合着网络上的教程和代码，理清了faster rcnn的整个过程. 前面的数据部分和backbone网络部分都比较常规，就是输入一个batch的图片到backbone，然后输出一个 batch_size * channels * height * width的特征图。接下来重点说...
RPN网络讲解
左手coding，右手cooking
12-13 360
RPN网络通俗理解,简单明了 Faster RCNN中RPN理解
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