【R-FCN】Object Detection via Region-based Fully convolutional Networks && light-head RCNN

最新推荐文章于 2023-08-02 21:24:32 发布
最新推荐文章于 2023-08-02 21:24:32 发布
阅读量348 收藏
点赞数
分类专栏： 论文阅读
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/github_37973614/article/details/82224153
版权
本文介绍了R-FCN如何通过Region-based Fully convolutional Networks解决目标检测中的速度与精度问题，以及Light-Head R-CNN在此基础上的优化，实现了更快更准确的目标检测。R-FCN利用Position-sensitive Score Maps，而Light-Head R-CNN采用Large-Kernel Separable Convolution减少计算量，提高了检测效率。
摘要由CSDN通过智能技术生成

一、R-FCN

 

1、概述

本文作者Jifeng Dai，Yi Li，Kaiming He，Jian Sun。本文主要是在特征的通道维度上分块后，每一块取空间上某一部分组合成新的feature map来解决分类需空间不变性和检测任务需空间敏感性的矛盾。

R-FCN是在faster RCNN基础上来改进的，主要是针对了fast/faster rcnn的在rpn中提取出的候选区都需要进行subnetwork【即会对每一个选出来的候选区都放到头部（faster rcnn中的fast rcnn网络部分）跑一遍】，这样会导致检测速度慢，速度慢就是因为ROI层后面的结构对不同的proposal是不共享的。本文就提出方法来想办法将ROI后面的结构往前挪。提出了position-sensitive score maps来处理图像分类时的translation-invariance和目标识别时的translation-variance。

2、网络结构

  • 原本对于faster-rcnn-Resnet-101，Resnet-101有5个阶段，将第四阶段conv4_x的输出feature map作为RPN阶段的输入，用来提取出proposal regions，且使用第五阶段conv5_x网络部分作为分类和回归的子网络。
  • 对于R-FCN来说，是不将conv5_x作为子网络，因此，在conv4_x的feature map直接经过conv5_x。具体子网络结构如下图所示。
  • 在conv5_x之后，输出的feature map维度为2048【即w*k*2048】。R-FCN使用1*1卷积将其变为w*h*1024。
    • 对于rfcn_cls和rfcn_bbox：使用1*1卷积输出k*k*(class_num+background_1)维的score map【即w*h*(k*k*(c+1))】。最后经过positionsensitive ROI pooling（psroipooling）输出。如图中例：有20类别，加上背景为21，期待roi输出规格为k=7，那么rfcn_cls输出维度为7*7*（c&
最低0.47元/天 解锁文章
R-CNN系列
qihshe的博客
10-23 350
哈哈
目标检测(Object Detection)算法合集（持续更新ing）
阿木寺的博客
07-14 7327
object-detection This is a list of awesome articles about object detection. R-CNN Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SPP-Net YOLO YOLOv2 YOLOv3 YOLT SSD DSSD FSSD ESSD MDSSD Pel...
R-CNN: Region-Based Convolutional Networks for Accurate Object Detection and Segmentation
Lorenzo's Oil
10-18 763
一、论文前期知识、成果及意义 1.前期知识 什么是目标检测？ 找出图像中所有感兴趣的目标（ROI—Region of Interest）,确定它们的位置和大小以及类别。是计算机视觉领域的核心问题之一。 分类-Classification: 解决"是什么? "的问题,即给定一张图片或一段视频判断里面包含什么类别的目标。 定位-Location: 解决"在哪里?"的问题,即定位出这个目标的的位置。 ...
【R-FCN】《R-FCN: Object Detection via Region-based Fully Convolutional Networks》
bryant_meng
08-22 417
NIPS-2016 文章目录1 Motivation2 Innovation3 Advantages4 Methods4.1 Structures4.2 train4.3 inference4.4 À trous and stride4.5 Visualization5 Experiments5.1 Experiments on PASCAL VOC5.1.1 验证结构的效果5.1.2 与Fa...
RCNN（Region-based Convolutional Neural Networks）
wrk226的博客
12-21 634
解决了多物体识别和定位的问题，问题在于不是end to end，而且太慢。 流程： 1.选取一个训练好的CNN分类器作为基础模型 2.使用selective search(就是将图像中的像素按照纹理和颜色做聚类)预选出2000个预选框，然后将预选框中的内容裁剪下来，resize后作为模型的输入 3.抽取模型第5个pooling的输出作为图像特征 4.将图像特征输入SVM二分类器，用于分类 5.对于...
论文精读之R-CNN（Region-based Convolutional Networks for Accurate Object Detection and Segmentation）
最新发布
weixin_44733295的博客
08-02 215
在测试时，文章的方法会为输入图像生成约 2000 个与类别无关的区域，使用 CNN 从每个区域中提取固定长度的特征向量，然后使用特定类别的线性 SVM 对每个区域进行分类。而滑动窗口通常用于受限对象类别，并且由于图像分辨率的影响，在卷积神经网络种感受野会很大，这使得在滑动窗口中进行精确定位非常困难。本文的第二个主要贡献是表明在数据稀缺的情况下，在大型辅助数据集 （ILSVRC）上进行有监督的预训练，然后在小型数据集（PASCAL）上进行特定领域的微调，是学习高容量CNN 的有效范例。
R-CNN（Region-based Convolutional Neural Network）论文解读
AlisaZqq
05-20 3322
R-CNN论文解读目录一、预备知识（0）PASCAL VOC（一）SIFT（二）HOG二、使用R-CNN进行目标检测（一）系统构成 目录 一、预备知识 （0）PASCAL VOC 网址：http://host.robots.ox.ac.uk/pascal/VOC/ （一）SIFT 尺度不变特征转换(Scale-invariant feature transform或SIFT) 是一种电脑视觉的算法...
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
论文翻译——Feature Pyramid Networks for Object Detection
b_dxac的博客
07-05 808
摘要： 特征金字塔是识别系统中用于检测不同尺度目标的基本组成部分。但是最近的深度学习对象检测器避免了金字塔表示，部分原因是它们是计算和内存密集型的。在这篇论文中，我们利用深卷积网路固有的多尺度金字塔层级，以边际额外成本建构特徵金字塔。提出了一种具有横向连接的自顶向下体系结构，用于构建各种尺度的高层语义特征图。这种被称为特征金字塔网络（FPN）的体系结构，作为一种通用的特征抽取器在一些应用中显示出了显著的改进。在基本更快的R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，没
R-CNN matlab 代码: Regions with Convolutional Neural Network Features
03-17
R-CNN, matlab 代码: Regions with Convolutional Neural Network Features,卷积神经网络，此代码容易看懂，实现，适合学习 改进！
目标定位和检测系列（2）：Region-Based Convolutional Network (R-CNN)
Meringue's Blog
05-28 4422
论文原文链接： https://www.ncbi.nlm.nih.gov/pubmed/26656583 R-CNN作为把深度学习用在目标检测任务上的开篇之作，于2014年被CVPR接收。虽然现在看来R-CNN的精度和速度已经略显不足，但文中提出的很多思想，包括后续提出的Fast R-CNN和Faster R-CNN,一直被目标检测领域的论文沿用。 摘要 目标检测在权威的PASCAL V...
RCNN(Regions with Convolutional Neural Network Feature)
u011961856的专栏
08-03 2763
背景知识 在目标检测评价中,有一个参数定位准确率,即IOU,IOU计算公式如下: ​ 简单来说,IOU就是模型预测的bounding box与标记bounding box的重合率. 通常我们预测的bounding box是无法与标记bounding box完全重合的,例如下面几种情况: 因此可以通过求两个bounding box的重合率即IOU,并设定一个阈值t0,并认为IOU值
【R-CNN系列目标检测】（1）R-CNN算法
zizi7的专栏
04-21 2891
重点参考《深度学习（十八）基于R-CNN的物体检测》和《RCNN学习笔记(1):Rich feature hierarchies for accurate object detection and semantic segmentation》R-CNN（Regions with Convolutional Neural Network Features）【1】是RBG大神将CNN引入目标检测领域的开
light head源码data.py
jicong44的博客
06-29 295
处理图像的流程： 首先求出一个batch的最大h和最大w 根据超参数最大边和最小边，以及求出的最大h，w确定缩放比例scale，流程为： （1）求出batch # -*- coding: utf-8 -*- import sys from config import config import numpy as np import cv2 import time import json ...
R-CNN:Region-based convolutional networks for accurate object detection and segmentation阅读笔记
mw_mustwin的博客
10-27 4051
Region-based convolutionalnetworks for accurate object detection and segmentation(2016.PAMI) Ross Girshick, Jeff Donahue, TrevorDarrell, Jitendra Malik 一、摘要         目标检测最近这几年在PASCAL VOC挑战赛上的表现达到相对稳
Region-based CNN(简称R-CNN)
qq_25178609的博客
03-08 7214
目前最先进的detection方法应该是Region-based CNN(简称R-CNN)【1】，是由Jeff Donahue和Ross Girshick提出的。R-CNN的具体想法是，将detection分为寻找object和识别object两个过程。在第一步寻找object，可以利用很多region detection算法，譬如selective search，CPMC，objectnes
Faster R-CNN论文笔记——FR
FR的专栏
10-20 5万+
在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。 一、基于Region Proposal（候选区域）的深度学习目标检测算法 Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-
【Unet系列】Unet & Unet++
热门推荐
OneCoder的博客
11-27 8万+
文章目录U-net概述细节部分1、结构的解析2、一些小点resultUnet++概述细节部分resultsummary U-net U-Net是一篇基本结构非常好的论文，主要是针对生物医学图片的分割，而且，在今后的许多对医学图像的分割网络中，很大一部分会采取U-Net作为网络的主干。 概述 博客都将用一个概述对论文进行一个很简介的概述： 解决什么问题？ 医学图像的分割 使用的方法？ 继...
【DSN】Deeply-Supervised Nets
OneCoder的博客
11-30 4664
这是一篇2014年的论文，还是有点年代感的，因为在Unet文章目录概述细节部分1、Motivation2、结构3、FormulationExperiments 概述 设计目的？ 让隐藏层的学习过程可以更加直接（direct）和透明（transparent）。 减少分类的错误。 让学习的特征更加的鲁棒性和discriminativeness（易区分的，独特的） 更好的解决梯度爆炸和梯度消失的...
Region-based Fully Convolutional Networks
06-09
Region-based Fully Convolutional Networks（R-FCN）是一种目标检测算法，它基于全卷积网络来实现目标检测，可以在保持高精度的情况下加快检测速度。R-FCN的核心思想是将RoI（Region of Interest）池化操作替换成...
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