Fast R-CNN

最新推荐文章于 2020-10-14 11:14:26 发布
最新推荐文章于 2020-10-14 11:14:26 发布
阅读量486 收藏
点赞数
分类专栏： R-CNN系列 文章标签： R-CNN SPP-Net Fast-R-CNN
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/human_recognition/article/details/52074978
版权
Fast R-CNN是R-CNN和SPP-Net的改进版，通过多任务损失和单阶段训练提升检测率。它引入ROI Pooling层，允许所有网络层更新，并在训练时采用image-centric sampling，优化了softmax层和bounding box回归。Fast R-CNN解决了前两代模型的效率和存储问题，提高了检测速度和精度。
摘要由CSDN通过智能技术生成

摘要
比较R-CNN, SPP-Net, Fast R-CNN 使用”多任务损失” + “一个训练stage”. 多任务损失简化了学习,并提升了检测率.

Fast R-CNN修复了R-CNN和SPP-Net的缺陷. 存在下面的优点:
1. 相比于R-CNN, Fast R-CNN有更高的检测率。
2. 训练是 single stage，多任务loss
3. 在训练的过程中，所有的网络层都可以被更新
4. 不需要磁盘存储（SPP-Net网络需要存储大量的数据到硬盘）

Fast R-CNN训练
考虑一个预训练网络，包含几个卷积层、max pooling层、ROI pooling层和FC层。最后连接两个姊妹层：一个softmax层，输出k+1类的概率，另外一层输出4*k位置坐标。
这里写图片描述

1. ROI pooling layer
ROI pooling layer 是spatial pyramid pooling的简化版本。ROI pooling层的输入包括N个特征图 和 R个ROI区域。
特征图的尺寸为: H*W*C
ROI表示为（n,r,c,h,w）,n表示特征图的序号，r，c是左上角坐标，h，w是ROI的width，height。
对于每个ROI，ROI pooling层使用max pooling产生固定尺寸W’*H’的output bin。

2. 使用预训练网络
作者使用三个预训练网络，在5至13

最低0.47元/天 解锁文章
枯木寒岩
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Fast R-CNN论文详解
章鱼、不嚎
11-02 751
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网络结构、框架原理详解
qq_52191127的博客
07-22 1342
在Fast R-CNN中，并不适用SS算法提供的所有的候选区域，SS算法会差不多得到2000个候选框，但是训练的过程中其实只需要使用其中的一部分就可以了，Fast R-CNN中好像只挑选了其中的64个。分别对应着我们回归参数 x 的smoothL1的回归损失，回归参数 y 的smoothL1的回归损失，回归参数 w 的smoothL1的回归损失与最后的回归参数 h 的smoothL1的回归损失。而当u不满足条件时，也就是u<1时，也就是u=0时，（u为类别的标签），此时类别标签为背景，公式的值为0.
Fast-RCNN
weixin_44214375的博客
10-14 121
FAST-RCNN git地址 这里写目录标题RCNN概述fast RCNN的改进之处总体框图特征提取网络 RCNN概述 简单来说，RCNN使用以下四步实现目标检测： a. 在图像中确定约1000-2000个候选框 b. 对于每个候选框内图像块，使用深度网络提取特征 c. 对候选框中提取出的特征，使用分类器判别是否属于一个特定类 d. 对于属于某一特征的候选框，用回归器进一步调整其位置 fast RCNN的改进之处 Fast RCNN方法解决了RCNN方法三个问题： 问题一：测试时速度慢 RCNN一张图像内
R-CNN和Fast R-CNN组内汇报PPT
03-12
本文档对R-CNN和Fast R-CNN的组内汇报进行了详细的介绍，涵盖了目标检测领域的发展、R-CNN的提出、Selective Search算法、R-CNN算法流程、Fast R-CNN的改进等方面。 随着人工智能和深度学习技术的发展，目标检测...
深度学习的目标检测技术演进：R-CNN、FastR-CNN、FasterR-CNN
02-25
本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object...
【论文翻译】Fast R-CNN论文原文与中文翻译.rar
10-16
《Fast R-CNN：快速的目标检测》 Fast R-CNN是由Ross Girshick在2015年提出的，是目标检测领域的一个里程碑式的工作。它改进了先前的R-CNN（Regions with Convolutional Neural Networks）算法，显著提高了检测速度...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
2. 候选区域/窗 + 深度学习分类，如 R-CNN、Fast R-CNN、Faster R-CNN 等 3. 基于深度学习的回归方法，如 YOLO、SSD、DenseBox 等 三、候选区域/窗 + 深度学习分类 候选区域/窗 + 深度学习分类是目标检测算法的一...
Fast R-CNN原文
07-26
### Fast R-CNN：一种快速区域卷积网络方法 #### 概述 Fast R-CNN是一种用于物体检测的快速区域卷积神经网络方法。该方法由Ross Girshick提出，并在微软研究院完成研究工作。Fast R-CNN是在先前工作的基础上进行...
Object Detection(2):Fast R-CNN
fish的专栏
10-15 1505
RCNN后续,fast-rcnn
R-CNN、Fast R-CNN、Faster R-CNN
最新发布
08-13
R-CNN（Region-based Convolutional Neural Networks）是一类基于深度学习的对象检测算法，它通过先选择候选区域（regions of interest, RoIs），然后对每个RoI应用卷积神经网络（CNN）来提取特征并进行分类和定位。原始的R-CNN效率较低，因为它对于每一个候选区域都需要独立运行CNN。 Fast R-CNN是对R-CNN的一个改进，主要通过共享计算来提升速度。它引入了ROI池化层（RoI Pooling），允许一次操作对所有RoIs进行特征提取，减少了重复计算。这样，当有大量候选区域时，Fast R-CNN的速度显著提高。 Faster R-CNN进一步优化了这个过程，它结合了Region Proposal Network (RPN)，这是一个内嵌在CNN架构中的子网络，可以在单次前向传播中生成高质量的候选区域，无需再单独进行区域提议。这使得整个物体检测流程更加高效，通常称为一步式检测（end-to-end detection）。Faster R-CNN因此成为当时最流行的实时物体检测方法之一。 下面是Faster R-CNN的简单示例： ```python # 假设我们有一个预训练的Faster R-CNN模型 model = FasterRCNN() # 输入图像 image = ... # 使用模型进行预测 rois, class_ids, scores = model.detect([image], verbose=1) ```
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