R-CNN系列小结

最新推荐文章于 2023-10-23 09:48:02 发布
最新推荐文章于 2023-10-23 09:48:02 发布
阅读量292 收藏
点赞数
分类专栏： Machine Learning 文章标签： 计算机视觉
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/json111/article/details/107233934
版权

R-CNN

R-CNN首先对图像采取若干提议区域并标注它们的类别和边界框。然后用卷积神经网络对每个提议区域做前向计算抽取特征。之后用每个提议区域的特征预测类别和边界框。
具体来说，由以下4步构成。

  1. 对输入图像使用选择性搜索来选取多个高质量的提议区域。这些提议区域通常是在多个尺度下选取的，并具有不同的形状和大小。每个提议区域将被标注类别和真实边界框。
  2. 选取一个预训练的卷积神经网络，并将其在输出层之前截断。将每个提议区域变形为网络需要的输入尺寸，并通过前向计算输出抽取的提议区域特征。
  3. 将每个提议区域的特征连同其标注的类别作为一个样本，训练多个支持向量机对目标分类。其中每个SVM用来判断样本是否属于某一个类别。
  4. 将每个提议区域的特征连同其标注的边界框作为一个样本，训练线性回归模型来预测真实的边界框。

Fast R-CNN

一个主要改进在于只对整个图像做CNN的前向计算。
主要步骤：

  1. 与R-CNN相比，Fast R-CNN用来提取特征的CNN的输入是整个图像，而不是各个提议区域。而且，这个网络通常会参与训练，即更新模型参数。设输入为一张图像，将CNN的输出的形状记为1 * c * h1 * w1。
  2. 假设选择性搜索生成n个提议区域。这些形状各异的提议区域在CNN的输出上分别标出形状各异的兴趣区域。这些兴趣区域需要抽取出形状相同的特征（假设高和宽均分别指定为h2和w2）以便于连结后输出。Fast R-CNN引入ROI池化层，将CNN的输出和提议区域作为输入，输出连结后的各个提议区域抽取的特征，形状为 nch2*w2。
  3. 通过全连接层将输出形状变换为 n*d，其中超参数d取决于模型设计。
  4. 预测类别时，将全连接层输出的形状再变换为n * q并使用softmax回归。预测边界框时，将全连接层的输出形状变换为 n * 4。也就是说，我们为每个提议区域预测类别和边界框。

Faster R-CNN

Fast R-CNN通常在选择性搜索中生成较多的提议区域，以获得较精确的目标检测结果。Faster R-CNN提出将选择性搜索(Selective Search)替换成区域提议网络(Region Proposal Network)，从而减少提议区域的生成数量，并保证目标检测的精度。
与Fast R-CNN相比，只有生成提议区域的方法从Selective Search变成了Region Proposal Network，其他部分保持不变。Region Proposal Network的计算步骤如下：

  1. 使用填充为1的 3x3 卷积层变换CNN的输出，并将输出通道数记为c。这样，CNN为图像抽取的特征图中的每个单元均得到一个长度为c的新特征。
  2. 以特征图每个单元为中心，生成多个不同大小和宽高比的锚框并标注它们。
  3. 用锚框中心单元长度为c的特征分别预测该锚框的二元类别和边界框。
  4. 使用非极大值抑制，从预测类别为目标的预测边界框中移除相似的结果。最终输出的预测边界框即兴趣区域池化层所需要的提议区域。

RPN是和整个模型一起训练得到的。也就是说，Faster R-CNN的目标函数既包括目标检测中的类别和边界框预测，又包括RPN中锚框的二元类别和边界框预测。最终，RPN能够学习到如何生成高质量的提议区域，从而在减少提议区域数量的情况下也能保证目标检测的精度。

Mask R-CNN

Mask R-CNN将兴趣区域池化层替换成了兴趣区域对齐层，即通过双线性插值来保留特征图上的空间信息，从而更适于像素级预测。兴趣区域对齐层的输出包含了所有兴趣区域的形状相同的特征图。

小结

  • R-CNN对图像选取若干提议区域，然后用CNN对每个提议区域做前向计算抽取特征，再用这些特征预测提议区域的类别和边界框。
  • Fast R-CNN对R-CNN的一个主要改进在于只对整个图像做CNN的前向计算。它引入了兴趣区域池化层，从而令兴趣区域能够抽取出形状相同的特征。
  • Faster R-CNN将Fast R-CNN中的选择性搜索替换成RPN，从而减少提议区域的生成数量，并保证目标检测的精度。
  • Mask R-CNN再Faster R-CNN基础上引入一个全卷积网络，从而借助目标的像素级位置进一步提升目标检测的精度。
金大大诶
关注
专栏目录
PyTorch深度学习实战（19）——从零开始实现R-CNN目标检测
盼小辉丶的博客
10-07 4263
R-CNN (Region-based Convolutional Neural Network) 是 R-CNN 系列目标检测算法的初代模型，其将“深度学习”和传统的“计算机视觉”的相结合，在深度学习的框架下实现了高效的物体检测和识别。R-CNN 的核心思想是将目标检测任务分解为候选区域提取、特征提取、目标分类和边界框回归四个步骤。R-CNN 中的 “Region-based” 指的就是区域提议(候选区域)，用于在图像中识别对象。在本节中，我们将利用区域提议来完成图像中目标对象的检测和定位。
PyTorch深度学习实战（20）——从零开始实现Fast R-CNN目标检测
盼小辉丶的博客
10-13 2829
Fast R-CNN 改进了 R-CNN，引入 RoI (Region of Interest) 池化层极大地提高了检测速度和准确性。Fast R-CNN 极大地推动了目标检测领域的发展，为后续的一系列算法奠定了基础，在准确性和速度之间取得了良好的平衡，成为了目标检测算法的重要里程碑。在本节中，我们将介绍 Fast R-CNN 的工作原理，然后在自定义数据集上训练 Fast R-CNN 目标检测模型。
66.物体检测算法：区域卷积神经网络（R-CNN）系列
weixin_47505105的博客
01-10 649
笔记
动手学深度学习_目标检测算法 R-CNN 系列
like_jmo的博客
08-08 287
区域卷积神经网络region-based CNN 或 regions with CNN features，R-CNN 比较有名的几个网络：R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN
（八）计算机视觉 -- 6 区域卷积神经网络（R-CNN）系列
FionaDong的博客
11-15 2386
6. 区域卷积神经网络（R-CNN）系列 区域卷积神经网络（region-based CNN / regions with CNN features，R-CNN）是将深度模型应用于目标检测的开创性工作之一。 本节将介绍R-CNN和它的一系列改进方法（模型设计思路）： 快速的R-CNN（Fast R-CNN）、更快的R-CNN（Faster R-CNN）以及掩码R-CNN（Mask R-CNN）。 6.1 R-CNN R-CNN首先对图像选取若干提议区域（如锚框也是一种选取方法）并标注它们的类别和边界框（如
区域卷积神经网络（R-CNN）笔记
weixin_33826609的博客
01-15 2606
区域卷积神经网络（region-based CNN或regions with CNN features，简称R-CNN）是将深度模型应用于目标检测的开创性工作之一 [1]。本节中，我们将介绍R-CNN和它的一系列改进方法：快速的R-CNN（Fast R-CNN）[3]、更快的R-CNN（Faster R-CNN）[4] 以及掩码R-CNN（Mask R-CNN）[5]。限于篇幅，这里只介绍这些模型...
【目标检测】RoI pooling layer 感兴趣区域池化层
qq_36926037的博客
04-06 2338
(2) RoI pooling 层的作用 RoI pooling 层使用了一个最大池化，把一个任意尺寸的特征图转换成一个固定H*W大小的特征图。 (2) RoI pooloing 层的工作原理 RoI max pooling的工作原理是将h×w 特征图分割成H×W个大小近似的子窗口，然后将每个子窗口的值应用max-pooling，特征图经过这种运算能得到H×W的特征图输出。至此一个h×w的特征图转...
R-CNN系列
最新发布
qihshe的博客
10-23 350
哈哈
CNN--卷积神经网络从R-CNN到Faster R-CNN的理解(CIFAR10分类代码)
mantch
08-11 1877
文章目录1. 什么是CNN1.1 输入层1.2 卷积计算层(conv)1.3 激励层1.4 池化层1.5 全连接层1.6 层次结构小结1.7 CNN优缺点2. 典型CNN发展历程3. 图像相关任务3.1 图像识别与定位3.1.1 思路1：识别+定位过程3.1.2 思路2：图窗+识别3.2 物体检测(object detection)3.2.1 过程3.2.2 R-CNN3.2.3 SPP-Net3...
Keras深度学习实战（14）——从零开始实现R-CNN目标检测
盼小辉丶的博客
07-17 6680
R-CNN 是基于候选区域的经典目标检测算法，其将卷积神经网络引入目标检测领域。本文首先介绍了 R-CNN 模型的核心思想与目标检测流程，然后使用 Keras 从零开始实现了一个基于 R-CNN 的目标检测模型，最后介绍了非极大值抑制用于移除相似的预测边界框。.........
计算机视觉
weixin_42749049的博客
09-09 521
文章目录image-augmentation 图像增广fine-tuning 微调anchor 锚框multiscale-object-detection 多尺度目标检测rcnn 区域卷积神经网络（R-CNN）系列ssd 单发多框检测（SSD）semantic-segmentation 语义分割fcn 全卷积网络（FCN）neural-style 样式迁移 image-augmentation 图...
Mask Rcnn 实践小结 —— 训练自己的数据集
逐水草而居的造轮人的博客
06-25 1万+
周末跑了一下Mask RCNN 模型，花了两天半，终于把基础模型搞定了，现在回忆一下做的步骤和遇到的坑 训练代码是基于 https://github.com/matterport/Mask_RCNN 里的 samples/shapes/train_shape.ipynb 改的。整个模型是用python实现的，所以相较去年尝试过的 darknet，整个 model 的代码是易读的，有问题可以直接看 ...
Mask_RCNN训练自己的数据——制作COCO格式的数据集
热门推荐
地理信息系统、摄影测量与遥感、人工智能
12-01 3万+
matterport版mask_rcnn系列： 1.Mask_RCNN训练自己的数据 2.目标检测：使用Open_cv在图像上批量画bounding box 3.Mask_RCNN：使用COCO权重进行特定类别预测（只标记出你需要的类别） 4.Mask_RCNN:ValueError: Dimension 1 in both shapes ...............
Faster RCNN 学习笔记
qq_36936443的博客
04-26 1857
本文主要参考B站up霹雳吧啦Wz的视频结合原论文整理笔记所得1.1Faster RCNN理论合集_哔哩哔哩_bilibili本视频合集用于讲解Faster R-CNN原理部分，从R-CNN -> Fast R-CNN -> Faster R-CNNhttps://www.bilibili.com/video/BV1af4y1m7iL?spm_id_from=333.999.0.0 R-CNN 1.1 简介 R-CNN((Region with CNN feature 基于区...
Andorid解析json的三种方式
09的专栏
05-27 9570
一、什么是JSON？ JSON是一种取代XML的数据结构,和xml相比,它更小巧但描述能力却不差,由于它的小巧所以网络传输数据将减少更多流量从而加快速度。 JSON就是一串字符串 只不过元素会使用特定的符号标注。 {} 双括号表示对象 [] 中括号表示数组 "" 双引号内是属性或值 : 冒号表示后者是前者的值(这个值可以是字符串、数字、也可以是另一个数组或对象) 所以 {"n
keras搭建神经网络实验（二）：CNN识别手写数字
weixin_43242765的博客
05-12 508
在上一篇使用全连接网络识别手写数字后，又搭建了CNN神经网络，训练后把模型下载下来并用自己的手写数字进行了测试。 CNN的搭建和训练： import keras from keras.models import model_from_json from keras.models import Sequential from keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPooling2D from keras.datasets import mnis
机器学习常见数据集格式转换
m0_38051293的博客
03-10 1413
样本标签转换
Caffe中CNN的基本结构配置
Json111的博客
07-09 262
CNN是层级网络，通常包括数据输入层（Input Layer）、卷积层（Convolutional Layer）、池化层（Pooling Layer）、全连接层（Full Connection Layer）等。 数据输入层 Caffe的配置文件 layer { name: "data" type: "ImageData" top: "data" top: "clc-label" image_data_param { source: "all_train.txt" batch_size: 9
opencv调用pytorch训练好的模型
Json111的博客
12-25 1万+
根据官方文档知 cv2.dnn.readNetFromTorch() 中使用 torch.save() 方法保存的文件。 加载文件必须包含带有导入网络的序列化 nn.Module 对象，尝试从序列化数据中消除自定义对象，以避免导入错误。 支持的图层列表（即从Torch nn.Module类派生的对象实例）： nn.Sequential nn.Parallel nn.Concat n...
深度解析r-cnn系列模型及其学术展示
R-CNN系列由一系列论文组成，其中包括R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN等变体，每个变体都在前一个的基础上进行了改进和优化。 R-CNN论文首次提出了一种结合区域建议（Region Proposals）和卷积神经...
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