卷积神经网络——Faster Rcnn中的anchor和Proposal

最新推荐文章于 2024-09-04 10:59:10 发布
最新推荐文章于 2024-09-04 10:59:10 发布
阅读量8.5k 收藏 126
点赞数 31
分类专栏： # 概念解释 卷积神经网络 人工智能 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/itlilyer/article/details/109728975
版权

刚开始看到anchor和Proposal的时候有一些细节搞不清楚，在这里记录一下。
anchor是Proposal的基础，现有anchor以后，从 anchor中根据条件选择出来的就可以作为Proposal了。Proposal后面再经过RoIPooling就可以做分类和回归了。

拷贝的图片，侵删
拷贝的图片，侵删
下面先介绍一下anchor的生成过程。

anchor

概念

anchor(锚)：个人理解是基于一个中心点创建出的几种大小和长宽比的框，这个中心点怎么确定呢？是根据Feature Map中每一个点在输入图片中对应的点。

anchor的创建是在Faster R-CNN的哪个阶段呢？是在backbone的输入传入RPN后首先生成anchor，然后将anchor分别给两个分支去处理，一个分支使用softmax进行二分类，判断该anchor的框内有没有物体，有则为positive，没有则为negative；另一个分支进行边框回归，使anchor的边框更接近ground truth的框，因为默认生成的anchor框与实际框还是有偏差的。最终根据两个输出加原始图片信息生成Proposal。
在这里插入图片描述

a

最低0.47元/天 解锁文章
Faster RCNN代码详解（五）：关于检测网络（Fast RCNN）的proposal
AI之路
05-20 7622
在系列（二）中介绍了Faster RCNN算法的网络结构，其中有一个用于生成ROI proposal target的自定义层，该自定义层的输出作为检测网络（Fast RCNN）的输入，这篇博客就来介绍这个自定义层的内容。该自定义层的实现所在脚本~/mx-rcnn/rcnn/symbol/proposal_target.py，该层返回的group列表包含4个值，分别是rois，label，bbox_...
目标检测——Faster RCNN
fortune_cookie的博客
10-09 3709
Faster RCNN是由 R-CNN、Fast R-CNN 改进而来，是非常经典的目标检测的两阶段网络。Faster R-CNN 第一步要使用在图片分类任务 (例如，ImageNet) 上预训练好的卷积神经网络，使用该网络得到的中间层特征的输出。Conv layers 包含了 conv，pooling，relu 三种层。一个 MxN 大小的矩阵经过 Conv layers 固定变为 (M/16)x(N/16) ，这样 Conv layers 生成的 feature map 中都可以和原图对应起来。
Faster RCNN 中的Anchor
陶将的博客
03-03 2435
本篇文章详细介绍Faster RCNN 中的Anchor计算
Faster-RCNN_TF代码解读17：anchor_target_layer_tf.py
一呆飞仙的博客
09-19 3382
# -------------------------------------------------------- # Faster R-CNN # Copyright (c) 2015 Microsoft # Licensed under The MIT License [see LICENSE for details] # Written by Ross Girshick and Sean B
RCNN系列——Faster RCNN anchor生成解析
jmu201521121021的博客
02-22 4922
RCNN系列——Faster RCNN anchor生成解析 一、简介 Faster RCNN里的anchor 是一个矩形框，用于box regressor, 可以减少网络计算量， 把anchor 数目定义为kkk,featur map每个点只预测kkk个box,然后与anchor计算偏差，回归更加精准的框位置。假设feature map 尺寸为W×HW \times HW×H,输出anchor...
Faster-rcnn中Anchor的理解
Christo的博客
08-19 3166
文章目录1，Anchor是如何生成的？1.1 特征图如何得到Anchor的生成过程2，Anchor的作用是什么？ 1，Anchor是如何生成的？ 1.1 特征图如何得到 假设对于网络输入的图像尺寸大小为3*600*800，那么经过VGG网络4次卷积池化后我们会得到的特征图的尺寸为38*50*256的特征图，这里面有两点需要注意： 所有的conv层都是：kernel_size=3，pad=1，stride=1 所有的pooling层都是：kernel_size=2，pad=0，stride=2 在Fast
卷积神经网络——RPN(Region Proposal Network)介绍
itlilyer的博客
11-24 9059
RPN网络是用来生成Proposal的
目标检测——Faster RCNN网络代码(三)之模型部分
weixin_45026813的博客
01-17 544
文章目录model/region_proposal_network.pydef_enumerate_shifted_anchor_torch:class RegionProposalNetwork(nn.Module):model/faster_rcnn_vgg16.pyclass VGG16ROIHead：model/faster_rcnn.py model/region_proposal_ne...
卷积神经网络——目标检测之Faster R-CNN论文翻译
itlilyer的博客
09-04 2052
论文连接 https://arxiv.org/abs/1506.01497 Faster R-CNN: 基于区域建议网络的实时目标检测 0. 摘要 目前最先进的目标检测网络都依赖区域建议(也称候选框)算法来假设目录的位置。SPPnet和Fast RCNN网络的改进了 ...
【深度学习：目标检测】 faster rcnn RPN之anchor(generate_anchors)源码解析
热门推荐
荪荪的博客
10-07 1万+
转载：http://blog.csdn.net/xzzppp/article/details/52317863 英文原文：faste rcnn。其中生成RPN(Regional proposal network)的Python代码解析 本代码主要用于：生成尺度为：128,256,512; 宽高比为：1:2,1:1,2:1的anchor [python]view
检测笔记——faster-RCNN anchor & proposal部分
qq_36846729的博客
09-21 432
fasterrcnn anchor& proposal 学习笔记
Faster R-CNN代码之 anchors 分析
xiaoxiang_AQ 的博客
09-23 3383
anchors作为产生proposal的rpn中的一个重点内容，在Faster R-CNN中被重点介绍，下面我们来学习一下anchors产生部分代码。我主要将其中的部分重点代码展示出来。代码引用自Shaoqing Ren的Matlab下Faster R-CNN。
Faster R-CNN中的RPN和anchor机制理解
nicajonh的博客
01-07 8577
先上图看一下Faster R-CNN操作流程：  图片说明：Faster R-CNN=Fast R-CNN+RPN，其中Fast R-CNN结构不变；RPN负责生成proposals，配合最后一层的feature map，使用ROI Pooling，生成fixed length的feature vector。我们详细讨论一下RPN的操作过程  图片说明，红框只是一个滑窗的操作过程，注意...
名词解释Feature Map、anchor、proposal、groudtruth,
hu1111222的博客
01-13 1122
在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层和每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map。groudtruth相当于正确打标记的数据。2.anchor和proposal。
【浅显易懂系列】目标检测Anchor和Proposal以及Two- stage和Single-stage
最新发布
weixin_39188311的博客
09-04 1455
浅显易懂的讲解目标检测相关知识点，今天是：anchor和proposal，two-stage和one-stage
【深度学习】从 anchor 进化到 proposal
JNing
01-19 5157
【深度学习】从 anchor 进化到 proposal
搞懂faster—rcnn中anchors生成（附代码）
weixin_41819529的博客
04-23 2484
搞懂faster—rcnn中anchors生成（附代码）源头原理重要参数生成anchor生成代码后续 源头 原文中说：对于该图像的每一个位置，考虑9个可能的候选窗口：三种面积三种比例。这些候选窗口称为anchors。下图示出51*39个anchor中心，以及9种anchor示例。 理解后参照源码进行重写，可能更好理解些 原理 自己的理解，就是特征提取已经完成了，针对特征层（VGG 是 conv5...
Faster R-CNN中的anchor理解
Site1997的博客
02-15 7538
  首先，RPN是怎么选出候选区域的？见上面示意图。在VGG网络提取整个特征图像后，我们使用一个3*3的滑窗在这个图像上滑动，对于每一个位置，我们同时预测k个不同region proposals，所以左上角的分类层含有2k个输出（表明是否为物体的概率），右上角的边框回归层有4k个输出（表示region的坐标到groundtruth的坐标的四个矫正量）。其中，这k个proposals分别对应原图...
卷积神经网络及faster-rcnn算法研究
JUST_a_TRY的博客
08-24 211
bounding box相关理解： bounding_box文章
请简述RCNN的算法流程，并说明RCNN——FAST RCNN——FASTER RCNN改善优化的方向？
05-13
RCNN是一种经典的目标检测算法，其算法流程如下： 1. 对输入图像使用选择性搜索（Selective Search）算法生成若干个候选区域； 2. 将每个候选区域缩放为相同大小，并送入预训练的CNN网络中提取特征； 3. 将每个候选区域的特征送入一个SVM分类器中进行分类，判断其是否为目标； 4. 对于每个被分类为目标的候选区域，使用回归器对其进行微调，调整其位置和大小。 RCNN的主要问题在于速度较慢，因为需要对每个候选区域都进行一次CNN前向计算和SVM分类，计算量较大。为此，后续出现了FAST RCNN和FASTER RCNN，主要改进方向如下： 1. FAST RCNN：将整张图片送入CNN中提取特征，避免了对每个候选区域都进行CNN前向计算，提高了计算效率； 2. FASTER RCNN：引入了Region Proposal Network（RPN），用于生成候选区域，避免了使用选择性搜索算法，进一步提高了计算效率。同时，使用RPN生成的候选区域具有更好的质量，可以更准确地检测出目标。 综上所述，RCNN——FAST RCNN——FASTER RCNN的改善优化方向主要是提高计算效率和提高检测准确率。
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