卷积神经网络——RoIPool与RoIAlign的区别

最新推荐文章于 2022-04-04 11:26:17 发布
最新推荐文章于 2022-04-04 11:26:17 发布
阅读量3k 收藏 17
点赞数 6
分类专栏： 人工智能 机器学习 卷积神经网络 文章标签： 机器学习 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/itlilyer/article/details/108666073
版权
RoIPooling在Fast RCNN中用于处理RoI大小不一致的问题，但存在错位问题。RoIAlign在Mask R-CNN中提出，通过消除量化和采用双线性插值解决了这一问题，尤其适用于位置敏感任务如语义分割。RoIPooling的两次量化导致misalignment，RoIAlign则避免了量化，提高精度。
摘要由CSDN通过智能技术生成

RoIPool最初是在Fast RCNN中提出的，是SPP(spatial pyramid pooling)的一个特例，解决RoI(Region of Interest)大小不一致但是全连接层输入只能是固定大小的问题。但是会有错位(misalignment)的问题——由于两次量化导致执行完RoIPool后的结果与原始的Region Proposal在特征图(Feature map)中的位置发生偏移。针对小物体会更加的明显。

为了解决上面的问题，HE Kaiming等人在Mask R-CNN中提出了RoIAlign，一个更加优雅的解决方案，既可以解决全连接层输入大小固定的问题又解决了RoIPooling中出现的misalignment的问题。下面我们分别详细说一下：

RoIPooling

在SPP-net中对全连接层只接受固定输入的解决方案是添加一个SPP层。SPP层的输入的大小可以是不同的，但是输出的大小是固定的。到后面Fast R-CNN中的RoIPooling功能与SPP层类似，只不过是将RPN输出的RoI作为输入，这些RoI的大小是不同的。Fast R-CNN中RoI pooling层的输出是一个超参的配置。RoI的定义为(r，c，h，w)，(r, c)是左上角坐标,(h, w)是高和宽。

RoIPool的计算过程如下(不知道图的原出处, 借用一下)：

    1. 原始图片大小为800x800。假定骨干网络(这里是VGG16)的缩放步长为32，也就是最后得到的特征图的大小是原始图片大小的1/32，即25x25。
    1. 通过RPN网络选出一个665x665的RoI，RoI的坐标假定为(r, c, h, w)，对应的RoI映射到特征图的大小为(665/32)x(655/32)
最低0.47元/天 解锁文章
helpburn
关注
专栏目录
卷积神经网络——实例分割之Mask R-CNN论文翻译
itlilyer的博客
09-29 4630
论文链接 https://arxiv.org/abs/1703.06870 相关论文翻译链接 R-CNN：https://blog.csdn.net/itlilyer/article/details/107190083 Fast R-CNN：https://blog.csdn.net/itlilyer/article/details/107764472 Faster R-CNN：https://blog.csdn.net/itlilyer/article/details/108049850 Mask R-C
【目标检测】ROI Pool和ROI Align的区别
wzk4869的博客
01-05 1625
【目标检测】ROI Pool和ROI Align的区别
roipool and roialign difference
十年磨一剑
06-17 345
https://www.youtube.com/watch?v=XGi-Mz3do2s
RoiPooling,Roi Align和PrRoi Pooling比较
John的博客
05-07 601
RoIPooling、RoIAlign笔记 Precise RoI Pooling（PrRoI Pooling）笔记
ROI Pool、ROI Align、PSROI Pool、PrROI Pool
weixin_46248767的博客
11-04 1636
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 ROI Pool、ROI Align、PSROI Pool、PrROI Pool基本概念一、ROI Pool二、ROI Align三、PSROI Pool四、PrROI Pooling（Precise RoI Pooling ） 基本概念 ROI RoI(Region of Interest)是通过不同区域选择方法，从原始图像(original image)得到的兴趣区域，为进一步生成bounding box做准备。 bounding b
R-CNN中的ROIPool、ROIAlign
qq_41021141的博客
10-05 812
ROIPool： 原图—>feature map ​ ROI->feature map ROI ​ ROI->feature map ROI具体映射方式： 从左到右依次是：原图中的ROI，映射到feature map上的ROI(直接等比例缩放坐标和大小)，量化后的feature map ROI(浮点数向下取整) ROIPool: 上图中最右边的(4*6)feature map ROI经过ROIPooling池化成固定大小的(3*3..
深度篇—— CNN 卷积神经网络(一) 细说 cnn 卷积神经网络
天下所弃，不过其纪。世间事，在人，在志。
02-09 1397
返回主目录 返回 CNN 卷积神经网络目录 下一章：深度篇—— CNN 卷积神经网络(二)细说 池化(pooling) 与 反池化(unpooling) 目录内容 深度篇—— CNN 卷积神经网络(一)细说 cnn 卷积神经网络 深度篇—— CNN 卷积神经网络(二)细说 池化(pooling) 与 反池化(unpooling) 深度篇—— CNN 卷积神经网络(三)关...
深度篇—— CNN 卷积神经网络(二) 细说 池化(pooling) 与 反池化(unpooling)
天下所弃，不过其纪。世间事，在人，在志。
02-09 2723
返回主目录 返回 CNN 卷积神经网络目录 上一章：深度篇—— CNN 卷积神经网络(一)细说 cnn 卷积神经网络 下一章：深度篇—— CNN 卷积神经网络(三)关于 ROI pooling 和 ROI Align与 插值 本小节，细说 池化 与 反池化，下一小节细说 关于 ROI 与 插值 二. 池化层 (pooling layer) 1. 池化...
深度篇—— CNN 卷积神经网络(四) 使用 tf cnn 进行 mnist 手写数字 代码演示项目
天下所弃，不过其纪。世间事，在人，在志。
02-09 952
返回主目录 返回 CNN 卷积神经网络目录 上一章：深度篇—— CNN 卷积神经网络(三)关于 ROI pooling 和 ROI Align与 插值 本小节，细说 使用 tf cnn 进行 mnist 手写数字 代码演示项目 本项目 github 代码：https://github.com/wandaoyi/tf_cnn_mnist_pro 五. TF_CNN_M...
ROI pooling理解
scut_salmon的博客
08-13 548
ROI Pooling是对ROI做的池化，可以把尺寸不一的ROI池化成相同尺寸的feature map。 在pytorch中的各个参数如下： 实际上，通过这个池化层，不同图片的不同ROI被整合到了一起，这样一来，输入就是无差别对待的ROI feature。 ...
RoIPooling与RoIAlign
comea23的博客
04-04 572
直接上代码。 import numpy import torch import torchvision torch.random.manual_seed(0) x1, y1, x2, y2 = 0.0, 16.0, 16.0, 32.0 #RoIPooling的池化后输出3×3大小的特征图.图像尺寸为224，特征图尺寸为14，下采样倍数16. RoIPooling = torchvision.ops.RoIPool(output_size=3, spatial_scale=1/16) #设定原始图像的尺寸
Faster R-CNN roi_pooling_layer 浅析
u014565333的博客
11-17 3429
阅读完 R-CNN一系列论文之后，开始看源代码。本文简要记录自己对roi_pooling_layer源码的理解。作者首先在caffe.proto中添加该层参数说明，主要是三个变量 optional ROIPoolingParameter roi_pooling_param = 43; message ROIPoolingParameter { // Pad, kernel size, and str
关于roi pooling层的理解
andeyeluguo的博客
06-02 388
昨天看到目标检测原理讨论群703346870进行了激烈的讨论。个人理解如下。 1. 概念理解： ROI, region of interest，感兴趣的(图像后者feature map)区域，数学表示上是一个矩形(x,y,w,h)，表示可能出现物体的部位。 FPN, feature pyramid network, 特征金字塔，是一个通用的backbone，类似于resnet RPN, roiproposal network，roi 建议网络，是产生roi的网络 roi pooling层，对fe.
深度学习基础--池化--ROI pooling和ROIalign
wydbyxr的博客
11-16 2524
Rol pooling “事实上，RoI Pooling Layer是SPP-Layer的简化形式。 在硬件上，ROIpooling相当于resize。” "SPP-Layer是空间金字塔Pooling层，包括不同的尺度；RoI Layer只包含一种尺度，如论文中所述7*7。 这样对于RoI Layer的输入（r,c,h,w），RoI Layer首先产生77个rc*(h/7)(w/7)的Bloc...
ROI Pooling层解析
热门推荐
lanran2的博客
03-03 11万+
ROI Pooling的意义 ROIs Pooling顾名思义，是Pooling层的一种，而且是针对RoIs的Pooling，他的特点是输入特征图尺寸不固定，但是输出特征图尺寸固定； 什么是ROI呢？ ROI是Region of Interest的简写，指的是在“特征图上的框”； 1）在Fast RCNN中， RoI是指Selective Search完成后得到的“候选框”在特征图上的映射
Faster RCNN roi_pooling_layer.cpp roi_pooling_layer.cu
CNV_2305
05-25 6673
主要定义了一个 ROIPoolingLayer 类ROIPoolingLayer的受保护数据成员有：int channels_; int height_; int width_; int pooled_height_; // pooling后的特征图的height_ int pooled_width_; // pooling后的特征图的width_ Dtype spatial_scale_; //
目标检测特殊层 ROIpooling和ROI Align和ROI warp和PSROIPooling和PSROI-Align
女王の专属领地
06-04 1万+
1、RoI Pooling 实现从原图ROI区域映射到卷积区域最后pooling到固定大小的功能，然后通过池化把该区域的尺寸归一化成卷积网络输入的尺寸。 2、ROIAlign 上面RoI Pooling从原图ROI映射到卷积区域，即原图ROI与特征图ROI之间的映射，使用了stride间隔的取整，使得特征图ROI再映射回原图ROI的时候有stride的误差。尤其经过最大值池化后的...
【论文解读】Facebook 何凯明 Mask R-CNN 狙击目标实例分割
Fantasy_Fly的博客
03-30 9938
论文地址：https://arxiv.org/pdf/1703.06870.pdf 转载自：http://weixin.niurenqushi.com/article/2017-03-29/4805787.html 【论文解读】Facebook 何凯明 Mask R-CNN 狙击目标实例分割 2017-03-2912:36     军事     来自：牛人趣事 导读：自从将卷积神经网
卷积神经网络——全连接操作
最新发布
09-11
全连接操作是卷积神经网络（Convolutional Neural Network, CNN）中的一种常见操作，也被称为全连接层或者密集连接层。在卷积神经网络中，全连接层通常紧跟在卷积层和池化层之后。 在卷积神经网络中，卷积层和池化层主要用于提取图像的局部特征，而全连接层则用于将这些局部特征进行组合和整合，最终输出分类结果或者预测值。 全连接操作的过程是将前一层的所有节点与当前层的所有节点相连接。具体而言，对于前一层的每个节点，都与当前层的每个节点相连，并且每条连接都有一个权重。这样，当前层的每个节点都能够接收来自前一层所有节点的信息。 全连接操作可以将卷积神经网络中提取到的局部特征进行整合和组合，从而得到更高级别的语义信息。通过训练过程中不断调整权重，全连接层可以学习到图像中不同特征之间的关系，并根据这些关系做出分类或者预测。 需要注意的是，全连接操作可能会导致模型参数过多，增加计算量和内存消耗。因此，在设计卷积神经网络时，需要根据具体任务和数据集的特点，合理设置全连接层的大小和数量，以达到较好的性能和效果。
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