R-CNN

最新推荐文章于 2024-02-12 16:08:15 发布
最新推荐文章于 2024-02-12 16:08:15 发布
阅读量134 收藏
点赞数
分类专栏： 目标检测 文章标签： 神经网络 深度学习
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/i_Lucien/article/details/118345360
版权

RCNN

1. 基本信息

  • 名称：Rich feature hierarchies for accurate object detection and semantic segmentation
  • 作者：Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik UC Berkeley
  • 出版信息：R. Girshick, J. Donahue, T. Darrell and J. Malik, “Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation,” 2014 IEEE Conference on Computer Vision and Pattern Recognition, 2014, pp. 580-587, doi: 10.1109/CVPR.2014.81.

2. 核心内容

  • 核心观点：

    目标检测问题可以与深度学习相结合

  • 贡献：

    • 利用卷积神经网络解决目标定位的问题
    • 利用迁移学习的方法解决样本缺乏的问题

  • 结论：

    本文提出了一种简单的目标检测算法，相比于之前最好的性能提升了30%。本文解决了利用神经网络实现目标定位与分割的问题和少量样本的训练问题。

3. 详细信息

  • 整体流程
    在这里插入图片描述

  • 流程详述：

    1. 候选框的提取

      • 方法

        采用selective search的方法，region proposal的选取方法有很多，文章采用该方法是为了对比之前的方法

      • 做法

        按照该算法做完之后区域集合R里边就会有从小图片一直到大图片各种类型的图片，所以图片是分层级的。

      在这里插入图片描述

    2. 特征提取

      • 网络

        文章采用AlexNet，结构是conv + fc6 + fc7。注意，这里的AlexNet不要最后的分类层。

      • 输入

        网络的输入为region proposal，但是region proposal各种大小的都有，为了适应AlexNet，作者直接将各种尺寸的proposal变换到3 * 227 * 227，不过在变换之前先在region proposal周围添加了p = 16个像素。

      • 输出

        取fc7的4096-dim输出作为提取的特征向量。

    3. 使用SVM分类

      • 分类器

        采用SVM分类，20种目标和背景，一共是21种不同的类别，所以要采用21个SVM classifier。

  • 训练过程

    1. 提取候选区的算法不用训练

    2. 特征提取（AlexNet）部分

      • 预训练：

        使用ILSVRC 2012预训练。注意：该预训练过程image-level annotations (i.e., no bounding box labels)，就是普通的分类网络训练。

      • 面向特定领域微调：

        注意：这里的训练还是普通的分类网络训练，没有去掉最后面的分类层。

        样本：只使用尺寸变换后的proposal训练，如果该proposal的IoU >= 0.5，那么就认为是正样本，否则为负样本。由于实际应用中判定为背景的数量 要多于物体的数量，所以每次抽取32个正样本和96个负样本（i.e.背景图片）构成一个大小为128的mini-batch。

        优化器：SGD，lr = 0.001是预训练阶段的十分之一，设置为这么小就是防止CNN层变化太大。

    3. 类别分类器：

      • 分类器：SVM二分类分类器

      • 正负样本判定：IoU > 0.3 判定为正样本，0.3是网格搜索出来的阈值，效果最好。

      • 训练：需要针对每一个类别都训练一个SVM。由于训练样本太多，采用hard negative mining方法实现快速收敛。hard negative mining说白了就是选取那些长得像正样本的负样本作为负样本进行训练。

  • 测试过程

    1. 对输入图片提取约2k个region proposal
    2. 将所有的region proposal变换尺寸后依次送入CNN提取4096-dim特征
    3. 使用SVM进行分类并进行评分
    4. 针对每一类做非极大值抑制（greedy non-maximum suppression）去除掉冗余候选框
    5. 针对最好的那个边界框做bounding box regression修正边界框的位置，最终得到输出

4. 补充说明

  • bounding box regression

余候选框
5. 针对最好的那个边界框做bounding box regression修正边界框的位置，最终得到输出

4. 补充说明

  • bounding box regression
i_Lucien
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
R-CNN和Fast R-CNN组内汇报PPT
03-12
R-CNN和Fast R-CNN组内汇报PPT
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...
R-CNN、SPPNet、Fast Rcnn、Faster R-CNN 原理以及区别
01-06
R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先使用Selective Search 搜寻可能存在物体的区域。Selective Search 可以从图像中启发式地搜索出可能包含物体的区域。相比穷举而言， Selective Search 可以减少一部分计算量。下一步，将取出的可能含高物体的区域送入CNN 中提取特征。CNN 通常是接受一个固定大小的图像，而取出的区域大小却各有不同。对此， R-CNN的做法是将区域缩放到统一大小，
实例分割模型Mask R-CNN详解：从R-CNN，Fast R-CNN，Faster R-CNN再到Mask R-CNN
热门推荐
jiongnima的博客
01-21 9万+
   Mask R-CNN是ICCV 2017的best paper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。Mask R-CNN就是典型的代表。本篇大作的一作是何凯明，在该篇论文发表的时候，何凯明已经去了FaceBook。我们先来看一下，Mask R-CNN取得了...
【深度学习 & 目标检测】R-CNN系列算法全面概述（一文搞懂R-CNN、Fast R-CNN、Faster R-CNN的来龙去脉）
最新发布
z135733的博客
02-12 3393
RCNN在2013年在目标检测领域首次使用深度学习和卷积神经网络，他与Alex net一起引爆了21世纪第二个十年计算机视觉领域的技术爆炸。后续所有基于深度学习的目标检测——特别是两阶段目标检测算法。如Fast RCNN Faster R-CNN，都是在R-CNN上进行的迭代升级。所以弄懂RCNN特别重要。甚至可以说，没弄懂RCN后边的算法根本就看不懂。候选区域生成：利用Selective Search算法在每张图像上生成约2000个候选区域。这些候选区域被认为是可能包含目标的区域。特征提取。
R-CNN，Fast R-CNN详解
fakerth的博客
11-25 763
R-CNN，Fast R-CNN详解
R-CNN、Fast R-CNN、Faster R-CNN
qq_42261092的博客
07-03 880
1、R-CNN(Regions with CNN features) 2014年提出，可以说是利用深度学习进行目标检测的开山之作，将识别准确率从30%多提高到50%多。与R-CNN同一时期的深度学习方法有overfit，但效果没有RCNN好，故听说得少。 ① R-CNN算法流程四步 第二步：这里的深度网络指的是图片分类网络，这里将候选区域丢入到特征提取网络就能得到特征向量； 第四步：因为通过SS算法框定的候选框不是那么准，于是选用回归器修正候选框的位置； Ⅰ 候选区域的生成 ...
R-CNN史上最全讲解
weixin_43702653的博客
04-06 6万+
R-CNN史上最全讲解
【目标检测经典模型比较】--Fast R-CNN Faster R-CNN Mask R-CNN
weixin_62371528的博客
02-06 1288
【目标检测经典模型比较】二阶段--Fast R-CNN Faster R-CNN Mask R-CNN三者比较与进步，包括各自优缺点。目标检测入门二阶段检测算法。
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
小白学视觉
03-04 2290
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达一、目标检测常见算法object detection，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。所以，object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体...
【深度学习基础】从R-CNN到Fast R-CNN，再到MaskR-CNN，发展历程讲清楚！
欢迎时常光顾我的干货超市，热衷于AIoT！！
11-02 639
【深度学习基础】从R-CNN到Fast R-CNN，再到MaskR-CNN，发展历程讲清楚！
VC-R-CNN:[CVPR 2020]``Visual Commonsense R-CNN''的官方pytorch实施
05-12
视觉常识R-CNN（VC R-CNN） [NEW]：我们提供了VC R-CNN的培训代码和详细的自述文件。 :glowing_star: [NEW]：提供了在MSCOCO上预训练的VC功能。 试试看！ :glowing_star: 该存储库包含官方的PyTorch实施和为论文“ ...
Faster R-CNN backbone - ResNet101.zip
07-03
Faster R-CNN 的基础网络，ckpt 文件
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD。传统的目标检测算法、候选区域/窗 + 深度学习分类
Mask R-CNN预训练权重
05-26
Mask R-CNN数据标注和模型训练 教程：https://yidamyth.blog.csdn.net/article/details/124851003 使用Mask R-CNN标注自定义数据集，训练自己的模型。 本资源是教程中所需要加载的预训练模型，提供一个便捷的下载...
《目标检测》R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN
qq_29367075的博客
08-21 711
学习内容来自：https://www.bilibili.com/video/BV1m5411A7FD?p=2 类似的博文：https://blog.csdn.net/v_JULY_v/article/details/80170182 一：目标检测的含义 对输入的一张图片，不仅仅需要得到图片中的物体类别，还需要得到图片中物体的位置信息，再细节分的话，还有单物体检测和多物体检测。 这个任务本质上就是这两个问题：一：图像识别，二：定位。 图像识别（classification）： 输入：图片 输出：物体的类别
R-CNN系列算法精讲：R-CNN —》Fast R-CNN —》Faster R-CNN 进阶之路
不积跬步，无以至千里！
05-15 1万+
【计算机视觉—目标检测篇】持续更新，R-CNN系列、SSD、YOLO系列等等。理论+实战，手把手教学，小白也可轻松上手！ ...
基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。--数据
06-06
基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN 实现目标检测 tensorflow 基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN ...
『计算机视觉』Mask-R-CNN
01-27
本文来自于cnblogs，文章主要介绍了Mask-R-CNN流程、抽象架构以及结构等相关内容。 MaskR-CNN是一个实例分割（Instancesegmentation）算法，通过增加不同的分支，可以完成目标分类、目标检测、语义分割、实例分割、...
我需要在组会讲解R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN，请为我提出一些思路和具体的讲解内容
07-17
当讲解 R-CNN、Fast R-CNN、Faster R-CNN 和 Mask R-CNN 时，你可以按照以下思路和讲解内容进行组织： 思路： 1. 介绍目标检测的概念和应用场景，以引起听众的兴趣。 2. 简要解释传统目标检测方法的局限性，如选择...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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