CNN系列

最新推荐文章于 2021-11-09 20:24:26 发布
最新推荐文章于 2021-11-09 20:24:26 发布
阅读量351 收藏
点赞数
分类专栏： 深度学习 文章标签： cnn

一 RCNN

1 流程

（1）对一张图片生成1k～2k个候选区域
（2）对每一个候选区域，用深度网络提取特征
（3）将特征送入每一类的SVM分类器，判断是否属于该类
（4）使用回归器精细修正候选框位置

2 select search提取候选区域

没什么讲的，这不是重点

3特征提取

（1）候选区域归一化成同一尺寸227×227。
（2）训练一个基础特征提取网络
使用Hinton 2012年在Image Net上的分类网络，利用ILSVRC2012，输入图片，输出1000维的类别标号。
（3）将第二步得到的网络加一个1000～21的全连接层，代表二十类和背景，然后用PASCAL VOC 2007数据集进行训练。训练的数据：重叠区域大于0.5的为对应的类别样本，小于0.5为背景。
步骤3的网络pool5层提取的4096维特征就是特征提取的结果。至此，特征提取阶段结束。

4 类别判断

对每一类目标，使用一个线性SVM二类分类器进行判别。输入为深度网络输出的4096维特征，输出是否属于此类。
由于负样本很多，使用hard negative mining方法。
正样本：本类的真值标定框，就是由本类的真实位置所提取的特征向量。
负样本：重叠区小于0.3的区域的特征向量。

5 位置精修

模型：线性回归模型，输入为4.96维特征向量，输出为xy方向的缩放和平移（4维向量）。
数据：重叠区域大于0.6的区域的特征向量。

二 fast RCNN

1 改进

相比之前的RCNN：在保证准确率的前提下，训练时间从84小时减少为9.5小时，测试时间从47秒减少为0.32秒。
改进：

  • 先对整幅图像提取特征，再加入候选框信息。
  • 将特征提取之后的分类和回归合并到一个网络中。

2 特征提取

这里写图片描述
将图像归一化为224×224的图像输入到特征提取网路中,在特征提取最后一层roi_pool5中加入roi信息（一个图像序号和四个位置信息）。roi_pool5利用max_pooling将特征图统一为6*6*256*p的格式，其中p为roi个数。
要点：
（1）roi_pool5的工作原理。将roi分为n*m分（本例中为6*6），在每一份里用maxpool。
roi_pool5层反向传播：由于特征图上一个x可能对应多个roi特征图，在反向传播过程中需要相加。这里有个知识点是maxpooling是如何反向传播的。
这里写图片描述
（2）参数初始化
用如下网络在image Net上进行训练，训练结束后对相应的层进行参数初始化，其余随机初始化。
这里写图片描述
（3）训练数据
每一个mini_batch首先选择n张图片，然后在n张图片选择p个roi。n张图片以50%的概率水平随机翻转，p个roi中：
这里写图片描述

3 分类回归

将特征提取中全连接层得到的4096维向量输入到两个并行的全连接中（称为multi_task）：
这里写图片描述
cls_score输出k+1维的向量。
bbox_pred输出4k维的向量。

损失函数：
这里写图片描述

三 faster RCNN

1 特征提取

原始特征提取（上图灰色方框）包含若干层conv+relu，直接套用ImageNet上常见的分类网络即可。本文试验了两种网络：5层的ZF，16层的VGG-16，具体结构不再赘述。
额外添加一个conv+relu层，输出51*39*256维特征（feature）。
得到的51*39*256维特征应该这样看：51×39对应原图的大小，51×39的每个位置都对应一个256维的向量。后续对每个位置上的分类和回归都是利用相应位置的256维向量来计算的

2 候选区域（anchor）

（1）anchor的提取
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}×三种比例{1:1,1:2,2:1}。这些候选窗口称为anchors。共51×39×9个anchor。
（2）训练样本
考察训练集中的每幅图像：

  1. 对每个标定的真值候选区域，与其重叠区域最大的anchor计为正样本。
  2. 除去第一步anchor外，iou大于0.7标记正样本，小于0.3标记负样本，其余舍弃。
  3. 跨越图像边界的anchor舍弃。

（3）同时最小化分类误差和回归误差
（4）原始特征提取网络使用ImageNet的分类样本初始化，其余新增层随机初始化。
每个mini-batch包含从一张图像中提取的256个anchor，前景背景样本1:1.
前60K迭代，学习率0.001，后20K迭代，学习率0.0001。
momentum设置为0.9，weight decay设置为0.0005。

3 分类回归

这里写图片描述
cls_score输出为51×39×（9×2），51×39为特征图像的大小，9个anchor，2代表前景和背景的得分。
bbox_pred输出为51×39×（9×4），4代表xy轴的缩放和平移。

4 RPN和特征提取共享模型

文章提出了三种方法：
这里写图片描述

注意轮流训练的过程

以下未完成———————————————————————————————————————————————–

方法轮流训练中训练RPN和训练faster rcnn的详细过程（自己脑补）：
训练RPN：RPN训练的目标是训练一个网络输入图像，输出roi，第二步中的训练样本可以用来训练RPN网络
训练faster rcnn：

被自己蠢哭了
关注
专栏目录
文章学习（一）方法类：利用CNN从专利图像导出设计特征向量
weixin_51691386的博客
08-01 1137
Deriving Design Feature Vectors for Patent Images Using Convolutional Neural Networks（Journal of Mechanical Design · January 2021） 摘要   由于专利文件中包含这大型的，广泛的，大量的设计信息，为实现创新设计，设计者通常利用专利数据库去寻找灵感刺激。越来越多的类比设计工作采用了各种向量化方法，将设计文件关联在一起。然而，他们只关注了文本分析而忽略了视觉信息。工程设计和认知心理学研
CNN系列介绍
山中有石为玉
08-17 463
这是一篇基础理论的博客，基本手法是抄、删、改、查，毕竟介绍这几个基础网络的博文也挺多的，就算是自己的一个笔记吧，以后忘了多看看。主要是想介绍下常用的几种卷积神经网络。卷积神经网络最初为解决图像识别问题而提出，目前广泛应用于图像，视频，音频和文本数据，可以当做深度学习的代名词。目前图像分类中的ResNet, 目标检测领域占统治地位的Faster R-CNN，分割中最牛的Mask-RCNN, UNet...
R-CNN系列
LV的博客
03-13 214
R-CNN 输入图片，selective search方法选取约2k框，然后缩放（227*227，在框旁增加原图像素宽度16），输入CNN进行特征提取，对CNN输出的特征用SVM进行打分(每类都有一个SVM，21类就有21个SVM分类器)，对打好分的区域使用NMS即非极大抑制(每类都单独使用)。然后再训练线性回归到更真实的框。 Fast R-CNN 输入图片，一路FCN获得特征图，一路sel...
CNN系列框架
我の博客
11-09 2905
深度学习的思想被提出后, 卷积神经网络在计算机视觉等领域取得了快速的应用, 有很多经典、有意思的网络框架也应然而生. 1. LeNet-5 LeNet-5卷积网络是由LeCun在1998年发表的《Gradient-Based Learning Applied to Document. Recognition》中提出的网络框架. 这是最早的一类卷积神经网络, 其在数字识别领域的应用方面取得了巨大的成功 (手写字体识别). 在LeNet-5中, 输入为 32×3232 \times 3232×32 的灰度图像
终于明白CNN系列
studyvcmfc的专栏
04-04 133
https://www.jianshu.com/p/c0215d26d20a
卷积神经网络(CNN)系列介绍之一 (LeNet-5 / AlexNet / GoogLeNet / VGGNet / BNInception / Inceptionv3)
jsk_learner的博客
06-17 5916
现主要对流行的CNN（卷积神经网络）进行梳理和介绍，涉及到网络的提出背景、如何改进的、网络结构的具体明细以及网络效果等。 本篇是CNN系列之一。 关键词：CNN，LeNet-5，AlexNet，GoogLeNet，VGGNet，BNInception，Inceptionv3
r-cnn系列论文以及ppt博客
09-30
本资源包包含了关于R-CNN系列的论文和PPT博客，旨在深入理解这一系列算法的核心原理及其发展历程。 R-CNN，即区域卷积神经网络，是由Girshick等人于2014年提出的。在那个时候，传统的目标检测方法，如滑动窗口，...
深度学习与CV教程(12) - 目标检测 (两阶段,R-CNN系列).doc
07-08
【深度学习与CV教程(12) - 目标检测 (两阶段,R-CNN系列)】 目标检测在计算机视觉领域中扮演着至关重要的角色，它不仅要识别图像中的物体，还要定位这些物体的位置。本教程主要关注两阶段目标检测算法，如R-CNN系列...
R-CNN系列三篇论文英文原文
08-07
R-CNN系列三篇论文英文原文。从 R-CNN，SPP-net，到 Fast R-CNN，再到 Faster R-CNN，一路走 来，从流程上来说，基于深度学习的目标检测越来越精简；从精确度上来说，其 精确程度越来越高；从运行速度上来说，也...
yolo'R-CNN系列论文.zip
05-22
总之，"yolo'R-CNN系列论文"这个压缩包包含了关于这两个重要框架的详细研究，涵盖了它们的设计理念、实现方法以及在实际应用中的挑战和解决方案。通过深入学习这些论文，不仅可以深化对深度学习的理解，还能为开发更...
深度解析r-cnn系列模型及其学术展示
资源摘要信息: "r-cnn系列论文以及ppt博客" 在深度学习领域，R-CNN（Region with Convolutional Neural Networks，带卷积神经网络的区域）系列是图像识别和计算机视觉领域的一系列重要文献。这些论文介绍了如何使用...
RCNN系列
qq_43221336的博客
05-27 340
1. RCNN 经典的目标检测算法使用滑动窗法依次判断所有可能存在的目标区域，RCNN预先提取一系列较可能是物体的候选区域（RP），之后仅在这些候选区域上提取特征，并进行判断。 步骤 RCNN算法分为4步： 一张图像生成1K ~ 2K个获选区域 对每个候选区域，使用CNN提取特征 将提取得到的特征使用SVM进行分类，判断是否属于该类 使用回归器修正候选框位置 候选区域的生成 RCNN使用Selective Search（SS）方法生成候选区域，基本思路如下： 使用一种过分割手段，将图像分割成小区域
CNN系列常见模型以及问题,比较好的文章
vv___的博客
05-04 780
CNN是什么，CNN关键的层有哪些？ CNN是卷积神经网络 其关键层有： ① 输入层，对数据去均值，做data augmentation等工作 ② 卷积层，局部关联抽取feature ③ 激活层，非线性变化 ④ 池化层，下采样 ⑤ 全连接层，增加模型非线性 ⑥ 高速通道，快速连接 ⑦ BN层，缓解梯度弥散 如何确定CNN的卷积核通道数和卷积输出层的通道数？ CNN的卷积核通道数 = 卷积输入层的通道数；CNN的卷积输出层通道数 = 卷积核的个数 为什么不同的机器学习领域都可以使用CNN，CNN解决了这
CNN初学者—从这入门
热门推荐
kanghe
04-28 4万+
1、本文是到目前为止我见到过的关于CNN最最小白的入门教程，没有之一！ 2、原文地址：http://xilinx.eetrend.com/article/10827 3、本文仅供学术交流，如果不小心侵犯了大家的利益，还望海涵，并联系博主删除。特别是作者Sanjay Chan！ 4、看完本文，再看看本文后面附带的[1]斯坦福CNN教程，CNN的结构和原理就基本上入门了，特别感谢Sa
目标检测之CNN系列
Marshall的专栏
06-20 1万+
排行榜pascal VOC:http://host.robots.ox.ac.uk:8080/leaderboard/main_bootstrap.phpcoco:http://mscoco.org/dataset/#detections-leaderboardkitti:http://www.cvlibs.net/datasets/kitti/eval_object.phpRegionlets ...
从入门到精通：卷积神经网络初学者指南
maweifei的博客
09-05 1万+
转载自:http://www.jiqizhixin.com/article/1363?utm_source=tuicool&utm_medium=referral 这是一篇向初学者讲解卷积神经网络的系列文章，机器之心编译了已经发表了的 Part 1 和 Part 2。此系列文章若有更新，机器之心依然会分享给大家。    Part 1：图像识别任务 介绍 卷积
再谈R-CNN系列
牧野的博客
11-23 3946
R-CNN R-CNN主要解决了传统检测方法中特征需要人为设定和提取的弊端，改用CNN特征。   1. R-CNN 是把Region proposal（建议候选框）和CNN结合起来。R-CNN：Regions with CNN features。 使用CNN提取特征的候选区域。关键一是候选框，关键二是候选框的CNN特征。 2. 每张图片产生2000个建议候选框，初始探测出的候选框大小不同，...
文献阅读《SNIPER: Efficient Multi-Scale Training》
qq_26974871的博客
08-31 2026
本周阅读了《SNIPER: Efficient Multi-Scale Training》这篇文献，在这篇文章中作者认识到了现有的proposal算法的种种不足，从而在《An Analysis of Scale Invariance in Object Detection – SNIP》提出了所谓正则尺度化图像金字塔的推荐算法，使用多个像素等级输入图片进行训练和测试，对于过大的输入图片则采取裁剪出...
RCNN系列总结（RCNN,SPPNET,Fast RCNN,Faster RCNN）
Mingjian_LI的博客
01-04 9658
传统的目标检测方法大概分为区域选择、特征提取（SIFT、HOG等）、分类器（SVM等）三个部分，其主要问题有两方面：一是区域选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。以下介绍基于Region Proposal的深度学习目标检测算法R-CNN->SPP-NET->Fast R-CNN->Faster R-CNN. R-CNN 创新点 采用CNN网络
R-CNN系列算法优点
最新发布
05-13
R-CNN系列算法是目标检测领域的经典算法，其优点主要包括： 1. 高准确率：R-CNN系列算法采用了卷积神经网络（CNN）进行特征提取和分类，可以在目标检测任务中获得较高的准确率。 2. 多样性：R-CNN系列算法包括了R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN等多种不同的算法，可以适应不同的目标检测任务。 3. 灵活性：R-CNN系列算法可以使用不同的预训练模型进行特征提取，可以适应不同的数据集和任务。 4. 相对简单：相比于其他复杂的目标检测算法，R-CNN系列算法相对简单，易于理解和实现。 5. 可解释性：R-CNN系列算法采用了传统的CNN网络结构，可以通过可视化特征图等方式进行模型的可解释性分析。
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