卷积神经网络——RPN(Region Proposal Network)介绍

最新推荐文章于 2024-07-29 09:11:11 发布
最新推荐文章于 2024-07-29 09:11:11 发布
阅读量8.6k 收藏 30
点赞数 9
分类专栏： 卷积神经网络 人工智能 机器学习 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/109818142
版权
RPN是区域候选网络，用于生成候选区域。它接收backbone的特征图作为输入，输出Proposal。过程包括：生成anchor box、二分类、边框回归和Proposal生成。对每个点，RPN产生9个anchor box，经过分类和边框回归优化，然后通过NMS等步骤筛选出最终的Proposal。
摘要由CSDN通过智能技术生成

RPN，从字面上理解区域候选网络，是用来生成候选区域的网络。
这个网络的输入输出是什么呢？看一下Faster RCNN的网络结构（下图中框内的部分）就可以看出，输入是前面backbone得到的特征图，输出是一些Proposal。

RPN网络可以分为这么几部分：生成anchor；对anchor进行二分类；边框回归；生成最终的Proposal。下面分别介绍一下。

在这里插入图片描述在这里插入图片描述

生成anchor box

anchor可以翻译为锚，这个anchor指的是输入图像上的点，是生成候选框的基础，有了anchor后就可以为每个anchor生成不同大小和长宽比的box，用这些box来覆盖输入图片中要检测的物体(当然,会生成很多很多的box, 在图片上密密麻麻的,需要后续的操作进行筛选)。筛选过后剩下的就是最终的Proposal。Proposal会给ROIPooling然后进行分类和回归。

生成anchor box分为两步：第一先从Feature map的点对应回输入图像感受野的中心点；第二以该点为中心点创建不同面积和长宽比的box，这个也是输入图像上的box。

从Feature map到图像中的anchor

FPN会用一个大小为3x3ÿ

最低0.47元/天 解锁文章
helpburn
关注
专栏目录
RPN（区域生成网络）
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
11-05 1万+
首先我们知道有H x W个结果，我们随机取一点，它跟原图肯定是有个一一映射关系的，由于原图和特征图大小不同，所以特征图上的一个点对应原图肯定是一个框，然而这个框很小，比如说8 x 8，这里8是指原图和特征图的比例，所以这个并不是我们想要的框，那我们不妨把框的左上角或者框的中心作为锚点（Anchor），然后想象出一堆框，具体多少，聪明的读者肯定已经猜到，K个，这也就是图中所说的K anchor boxes（由锚点产生的K个框）；我们不难发现，RPN在整个Faster RCNN中的位置，处于中间部分；
（RegionProposal Network)RPN网络结构及详解
热门推荐
凹酱的DEEP LEARNING
05-23 19万+
RPN(RegionProposal Network)区域生成网络 Faster-RCNN的核心。在这里整理。 1.anchors。 特征可以看做一个尺度51*39的256通道图像，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{128,256,512}×{128,256,512}×三种比例{1:1,1:2,2:1}{1:1,1:2,2:1}。这些候选窗口称为anchors...
了解目标检测：两阶段检测（Two-Stage Detection）、单阶段检测（Single-Stage Detection）和区域建议网络（RPN）
最新发布
fydw_715的博客
07-29 1407
在两阶段检测中：RPN作为生成候选区域的关键组件，通过滑动窗口和锚点机制在特征图上生成高可能包含目标的候选区域。随后这些区域被进一步分类和调整，以提高检测精度。在单阶段检测中：没有RPN，直接在图像或特征图上进行预测。这减少了计算复杂度，但可能牺牲了一些细粒度的检测精度。Faster R-CNN：约100-200毫秒/图像YOLOv3：约22毫秒/图像Mask R-CNN：约200-300毫秒/图像YOLOv4：约30毫秒/图像Cascade R-CNN：约150-250毫秒/图像。
RPN详解
qingmuluoyang的博客
12-03 6721
转载原文：https://blog.csdn.net/lanran2/article/details/54376126 ，这里的博客都挺好的，转载一下，留的 RPN全称是Region Proposal Network，Region  Proposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络； 1. RPN的意义 RPN第一次出现在世人眼中是在Fa...
faster-rcnn 之 RPN网络的结构解析
香蕉麦乐迪的博客
05-31 9万+
【说明】：我想很多人在看faster-rcnn的时候，都会被RPN的网络结构和连接方式纠结，作者在文中说的不是很清晰，这里给出解析； 【首先】：大家应该要了解卷积神经网络的连接方式，卷积核的维度，反向传播时是如何灵活的插入一层，这些要了解；这里我推荐一份资料，真是写的非常清晰，就是MatConvet的用户手册，这个框架底层借用的是caffe的算法，所以数据结构，
Region Proposal Networks 详解
qq314000558的专栏
08-26 7573
Region Proposal Networks是Faster RCNN出新提出来的proposal生成网络。其替代了之前RCNN和Fast RCNN中的selective search方法，将所有内容整合在一个网络中，大大提高了检测速度（语文水平差，所以历史科普请看其他文章T_T）。 缩进在正文前，还要多解释几句基础知识，已经懂的看官老爷跳过就好。 对于单通道图像+单卷积核做卷积，上一篇文章...
RPN（RegionProposal Network），ROI Pooling， roi align，双线性插值
m0_56175815的博客
05-17 4521
RPN是Region Proposal Network的缩写，是Faster R-CNN中的一部分。RPN的作用是用于生成候选物体区域（Region of Interest，RoI），即提出可能包含物体的区域，以便后续的物体检测和识别。
应用卷积神经网络与RPN的交通标志识别.pdf
09-26
卷积神经网络（Convolutional Neural Networks, CNN）与区域提议网络（Region Proposal Network, RPN）在交通标志识别中的应用已经成为智能交通系统和先进驾驶辅助系统中的关键技术。交通标志的自动检测与识别对于...
个人学习笔记-计算机视觉篇-Faster R-CNN中的RPN（Region Proposal Network）
01-07
关于Faster R-CNN中的RPN网络 参考文献及资料： ...http://arxiv.org/abs/1506.01497 RPN网络是一个小型的卷积网络，作用是标定出疑似识别目标的框体交由后续处理。 参考Faster R-CNN论文中的原图（图一）
RPN（Region Proposal Network）提取候选框
黎国溥
07-24 5192
RPN全称是Region Proposal Network，也可理解为区域生成网络，或区域候选网络；它是用来提取候选框的。在RCNN和Fast RCNN等物体检测架构中，提取候选框的方法通常是传统的Selective Search，比较耗时。在Faster RCNN中，RPN专门用来提取候选框，这也是RPN第一次被使用；RPN耗时少。
（RegionProposal Network)RPN网络结构及详解 - 凹酱的DEEP LEARNING - CSDN博客1
08-04
（RegionProposal Network)RPN网络结构及详解 - 凹酱的DEEP LEARNING - CSDN博客1
区域生成网络---RPN(Region Proposal Network)
gyqJulius_Caesar的博客
11-29 668
https://blog.csdn.net/tony_vip/article/details/108827910
RPN：Region Proposal Networks (区域候选网络)
zbzcDZF的博客
03-15 9438
区域建议网络（RPN）首先在faster rcnn中提出。 得到用来预测的feature map：图片在输入网络后，依次经过一系列卷积+ReLU得到的51×39×256维feature map，准备后续用来选取proposal。 生成Anchors：anchor是固定尺寸的bbox。具体作法是：把feature map每个点映射回原图的感受野的中心点当成一个基准点，然后围绕这个基准点选取k个不...
RPN - region proposal network (区域选取网络)
qq_42220290的博客
05-22 1383
转：懒人元（侵删） 注：转自其他博客，仅供学习参考。 　　RPN全称是Region Proposal Network，RegionProposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络。 1. RPN的意义 　　RPN第一次出现在世人眼中是在Faster RCNN这个结构中，专门用来提取候选框，在RCNN和Fast RCNN等物体检测架构中，用来提取候选框的方法通常是Selective Search，是比较传统的方法，而且比较耗时，在CPU上要2s一..
RPN(region proposal network)之理解
weixin_30569001的博客
10-18 181
在faster-r-cnn 中，因为引入rpn层，使得算法速度变快了不少，其实rpn主要作用预测的是 “相对的平移，缩放尺度”，rpn提取出的proposals通常要和anchor box进行拟合回归，就像 卡尔曼滤波一样，最终结果是基于观测量加上一个预测量。这里将的不错，公式和代码也 切合。 下面部分来源：http://www.cnblogs.com/dudumiaomiao/p/656...
Region Proposal Networks
CNV_2305
10-27 1万+
Region Proposal Networks RPNs 从任意尺寸的图片中得到一系列的带有 objectness score 的 object proposals。具体流程是：使用一个小的网络在最后卷积得到的特征图上进行滑动扫描，这个滑动的网络每次与特征图上n*n 的窗口全连接，然后映射到一个低维向量，例如256D或512D, 最后将这个低维向量送入到两个全连接层，即box回归层（box
Faster RCNN原理篇（三）——区域候选网络RPN（Region Proposal Network）的学习、理解
Yale-曼陀罗
12-17 1万+
区域候选网络RPN（Region Proposal Network）的学习、理解Anchors详解`generate_anchors.py`文件中generate_anchors函数源码解读Anchor的产生过程： RPN（Region Proposal Network）： 它是首先在Faster RCNN中提出的，其 核心功能： 1. 得到用来预测的feature map。 具体而言：图像在输入网络后，依次经过一系列卷积+ReLU得到了51×39×25651×39×25651×39×256维的featu
【PyTorch实战演练】RPN(Region Proposal Networks)候选区域网络算法解析（附PyTorch代码）
m0_49963403的博客
01-13 3283
本文基于论文Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks对RPN候选区域网络进行解析说明，并基于PyTorch库对RPN网络进行编程。
Region Proposal Network（RPN）的proposal什么意思
06-10
在物体检测领域中，提出了一种基于深度学习的目标检测方法——Faster R-CNN。Faster R-CNN中提出了Region Proposal Network（RPN）模块，该模块负责生成候选区域（也称为proposal），即预测出一张图像中可能包含目标的区域，然后将这些候选区域送入后续的分类和回归模块中进行进一步的处理。 在RPN中，使用滑动窗口的方式在图像上提取多个不同大小和比例的锚点（anchor），然后对每个锚点进行二分类（前景或背景）和回归（调整位置）的预测，最终选取前景得分高的锚点作为候选区域。这些候选区域就是Faster R-CNN中的proposal。 因此，RPN中的proposal指的是一张图像中可能包含目标的区域，这些区域是通过RPN模块生成的，作为后续目标检测的输入。
评论 2
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