faster-rcn
文章平均质量分 64
lanyuxuan100
这个作者很懒,什么都没留下…
展开
-
Faster R-CNN阅读笔记
2016:Faster R-CNN—加速候选区域提取 背景:在 Fast R-CNN中,通过使用选择性搜索(selective search)提取候选区域,这是一个相当缓慢的过程,被认为是整个流程的瓶颈。 于是,少卿大神提出resion proposal network: 那么这里的候选区域是如何生成的呢?参看下图: 在CNN 的特征上滑动一个窗口,在每个窗口位置,网络在每个锚点输出一个原创 2017-05-01 18:00:48 · 640 阅读 · 0 评论 -
mask-rcnn扩展
由Faster-rcnn到mask-rcnn,即Faster-rcnn到Faster-rcnn-mask;由ssd到ssd-3d,再到ssd-3d-mask;由MV3D到MV3D-MASK;目前这些工作都是可以进行的,从caffe中的Faster-rcnn中ROI pooling转换为ROI Algin即可。原创 2017-12-11 07:02:01 · 794 阅读 · 0 评论 -
多任务网络训练技巧
从Faster-rcnn网络中可以看出,其有对候选框分类为前景与背景的任务,也有对候选框边界进行精修的回归任务,但是在这之前,是rpn网络与fast-rcnn的联合训练:区域生成网络(RPN)和fast RCNN都需要一个原始特征提取网络(下图灰色方框)。这个网络使用ImageNet的分类库得到初始参数W0,但要如何精调参数,使其同时满足两方的需求呢?本文讲解了三种方法。轮流训原创 2017-12-11 07:28:24 · 3347 阅读 · 0 评论 -
【目标检测】Faster RCNN算法详解
本文转自:http://blog.csdn.net/shenxiaolu1984/article/details/51152614Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Info转载 2017-12-11 07:31:41 · 400 阅读 · 0 评论 -
faster-rcnn 之 RPN网络的结构解析以及RPN代码详解
【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,所以他们的数据结构,网络层的连接方式都是一样的;建议读者看看,很快的;下载链接:点击打开链接【前面5层】:作者RPN网络前面的5层借用的是ZF网络,这个网络的结构图我截个图放在下面转载 2017-12-11 08:04:37 · 2962 阅读 · 0 评论 -
从RCNN,Fast-RCNN到Fater-RCNN的演化过程
RCNN将特征提取、分类、回归任务交给了CNN来做;Fast-RCNN在RCNN的基础上,增加了ROI pooling,注意这里的proposal还是外部提取出来的。Fast R-CNN的处理流程如上图所示:(1)使用CNN网络提取底层特征(这些特征是整幅图像上所有的Proposal公用的,节省了R-CNN中的计算量);(2)自己写了一个ROI Pooling层,从数据层得到ROI原创 2017-12-11 08:16:53 · 1003 阅读 · 0 评论 -
【转】Faster RCNN代码理解(Python)
目录目录第一步准备第二步Stage 1 RPN init from ImageNet model在config参数的基础上改动参数以适合当前任务主要有初始化化caffe准备roidb和imdb设置输出路径output_dir get_output_dirimdb函数在config中用来保存中间生成的caffemodule等正式开始训练保存最后得到的权重参数第三步Stage 1 RPN gene转载 2017-12-12 15:37:55 · 901 阅读 · 0 评论