R-CNN

最新推荐文章于 2024-07-22 09:26:29 发布
最新推荐文章于 2024-07-22 09:26:29 发布
阅读量215 收藏
点赞数
分类专栏： 机器学习
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/liuzhen9828/article/details/116585738
版权

目标识别过程

  • 1.通过SS算法对一张图像生成1K～2K个候选区域(Region Proposals)
  • 2.对每个候选区域，使用深度网络提取特征
  • 3.用SVM对特征进行分类
  • 4.使用回归器精细修正候选框的位置
    RCNN流程图

1、通过SS算法对一张图像生成1K～2K个候选区域(Region Proposals)

利用 Selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体。如下图所示 在这里插入图片描述

能够生成候选区域的方法很多，如：

  • objectness
  • selective search
  • category-independen object proposals
  • constrained parametric min-cuts(CPMC)
  • multi-scale combinatorial grouping
  • Ciresan
    R-CNN采用的就是Selective Search（SS）算法。

2、对每个候选区域，使用深度网络提取特征

将2000个候选区域(SS算法选出)Resize到(227, 227)，接着将候选区域输入事先训练好的 AlexNet网络获取4096维(AlexNet全连接层之前得到的特征维度)的特征得到2000*4096 维矩阵。

  • 深度网络采用的是AlexNet，其要求输入图像（在RCNN中输入的是候选区域）的大小是 ( 227 , 227 ) (227,227) (227,227)，输出的特征向量为4096维。
  • 由于Selective Search产生的候选区域不一样，对于小于227的候选区域，会人为添加边框，使其膨胀。

3、用SVM对特征进行分类

将2000x4096维特征与20个SVM(Pascal VOC数据集只有20类)组成的权值矩阵4096x20相乘， 获得2000x20维矩阵(评分矩阵)表示每个建议框是某个目标类别的得分。分别对上述2000x20 维矩阵(2000个候选框分别预测为20个类别的概率)中每一列(即每一类)进行非极大值抑制剔除重叠建议框，得到该列(即该类)中得分最高的一些建议框。
在这里插入图片描述
如上图所示，

  • 2000*4096的矩阵每一行代表一个候选区域的特征向量，一共2000个候选区域，所以有2000行。
  • 4096*20的矩阵为特征权值矩阵，与神经网络中的全连接层的权值矩阵类似，其中20表示一共有20个类别。
  • 2000*20的矩阵表示每一个候选框为每个类别的概率，如位置 ( 1 , 1 ) (1,1) (1,1)中的数值表示第一个候选框为类别1的概率。

非极大抑制(Non-Maximum Suppression，NMS)剔除重叠建议框

I o U （ I n t e r s e c t i o n   o v e r   U n i o n ） = ( A ∩ B ) / ( A ∪ B ) IoU（Intersection\ over\ Union）= (A\cap B)/ (A\cup B) IoU（Intersection over Union）=(A∩B)/(A∪B)

  • 寻找得分最高的目标
  • 计算其他目标与该目标的IoU值
  • 删除所有IoU值大于给定阈值的目标
  • 重复1-3步，直至完成所有的建议框，最终只保留一个最准确的建议框。步骤如图所示在这里插入图片描述

4、使用回归器精细修正候选框的位置

对NMS处理后剩余的建议框进一步筛选。接着分别 用20个回归器对上述20个类别中剩余的建议框进行回归操作，最终得到每个类别的修正后的得分最高的 bounding box。
如图，黄色框口P表示建议框Region Proposal， 绿色窗口G表示实际框Ground Truth，红色窗口表示Region Proposal 进行回归后的预测窗口，可以用最小二乘法解决线性回归问题。具体调整方法见Fast R-CNN。在这里插入图片描述

缺点

1、测试速度慢

测试一张图片约53s(CPU)。用Selective Search算法提取候选框用时约2s，一张图像内候选框之间存在大量重叠，提取特征操作冗余。

2、训练速度慢

过程及其繁琐。

3、训练所需空间大

对于SVM和bbox回归训练，需要从每个图像中的每个目标候选框提取特征，并写入磁盘。对于非常深的网络，如VGG16，从VOC07训练集上的5k图像上提取的特征需要数百GB的存储空间。

总结

在这里插入图片描述
R-CNN整体可以分为上述四个过程：

  • SS算法提取候选框
  • 利用CNN网络对候选框进行特征提取
  • 使用SVM对提取到的特征进行分类
  • 调整边界框的位置（即边界框回归）
Hold on Faith
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R-CNN和Fast R-CNN组内汇报PPT
03-12
本文档对R-CNN和Fast R-CNN的组内汇报进行了详细的介绍，涵盖了目标检测领域的发展、R-CNN的提出、Selective Search算法、R-CNN算法流程、Fast R-CNN的改进等方面。 随着人工智能和深度学习技术的发展，目标检测...
Faster R-CNN backbone - ResNet101.zip
07-03
标题"Faster R-CNN backbone - ResNet101.zip"涉及的是计算机视觉领域的一个关键算法——Faster R-CNN（快速区域卷积神经网络），它使用ResNet101作为其基础特征提取网络。Faster R-CNN是目标检测领域的里程碑式工作...
图像处理之特征提取
Britesun的博客
09-04 2万+
图像处理之特征提取 知乎上看到一个话题—— 目前火热的 Deep Learning 会灭绝传统的 SIFT / SURF 特征提取方法吗？ 由于之前研究过SIFT和HOG这两种传统的特征提取方法，故本篇文章先对SIFT和HOG作一综述，并比较二者优缺点。之后，将SIFT和HOG同神经网络特征...
目标检测 | R-CNN、Fast R-CNN与Faster R-CNN理论讲解
houjingchuan的博客
05-29 2391
目标检测：R-CNN、Fast R-CNN与Faster R-CNN理论讲解，根据B站up霹雳吧啦Wz总结。此文章包含R-CNN算法原理讲解、Fast R-CNN算法原理讲解、Faster R-CNN原理讲解、目标检测评价指标介绍与特征金字塔网络FPN讲解。
CNN、R-CNN、Fast R-CNN 和 Faster R-CNN 都是什么？如何区分？
最新发布
fydw_715的博客
07-22 462
这几个模型的名字怎么这么像？为什么这些模型的名称中包含了“CNN”？
实例分割模型Mask R-CNN详解：从R-CNN，Fast R-CNN，Faster R-CNN再到Mask R-CNN
热门推荐
jiongnima的博客
01-21 9万+
   Mask R-CNN是ICCV 2017的best paper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。Mask R-CNN就是典型的代表。本篇大作的一作是何凯明，在该篇论文发表的时候，何凯明已经去了FaceBook。我们先来看一下，Mask R-CNN取得了...
R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN——双阶段目标检测算法的进阶之路
weixin_65301577的博客
02-15 2235
写在前面：本博客的灵感来自【AI 菌】的【R-CNN系列算法精讲】(感谢大佬的好文！)，在【AI菌】的【R-CNN系列算法精讲基础】上加入了自己的理解和对Mask R-CNN的介绍。写下本博客的目的是为了记录自己学习目标检测的过程和将自己对R-CNN系列算法的浅薄理解在各位码友面前展示，欢迎各位网友批评指正。您的质疑和建议都会让我们双方对R-CNN系列算法拥有更深刻的理解！
【深度学习基础】从R-CNN到Fast R-CNN，再到MaskR-CNN，发展历程讲清楚！
欢迎时常光顾我的干货超市，热衷于AIoT！！
11-02 751
【深度学习基础】从R-CNN到Fast R-CNN，再到MaskR-CNN，发展历程讲清楚！
R-CNN Fast R-CNN Faster R-CNN的差异性
weixin_42430979的博客
05-11 203
R-CNN包括Region proposal(Selective Search)、Feature extraction、Classification（SVM）、Bounding-box regression(regression)四个部分。Faster R-CNN是端对端的网络，Region proposal、Feature extraction、Classification、Bounding-box regression四个部分均融合在CNN网络中。
R-CNN，Fast R-CNN详解
fakerth的博客
11-25 774
R-CNN，Fast R-CNN详解
【深度学习 & 目标检测】R-CNN系列算法全面概述（一文搞懂R-CNN、Fast R-CNN、Faster R-CNN的来龙去脉）
z135733的博客
02-12 6416
RCNN在2013年在目标检测领域首次使用深度学习和卷积神经网络，他与Alex net一起引爆了21世纪第二个十年计算机视觉领域的技术爆炸。后续所有基于深度学习的目标检测——特别是两阶段目标检测算法。如Fast RCNN Faster R-CNN，都是在R-CNN上进行的迭代升级。所以弄懂RCNN特别重要。甚至可以说，没弄懂RCN后边的算法根本就看不懂。候选区域生成：利用Selective Search算法在每张图像上生成约2000个候选区域。这些候选区域被认为是可能包含目标的区域。特征提取。
【目标检测经典模型比较】--Fast R-CNN Faster R-CNN Mask R-CNN
weixin_62371528的博客
02-06 1437
【目标检测经典模型比较】二阶段--Fast R-CNN Faster R-CNN Mask R-CNN三者比较与进步，包括各自优缺点。目标检测入门二阶段检测算法。
R-CNN、SPPNet、Fast Rcnn、Faster R-CNN 原理以及区别
01-06
R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
2. 候选区域/窗 + 深度学习分类，如 R-CNN、Fast R-CNN、Faster R-CNN 等 3. 基于深度学习的回归方法，如 YOLO、SSD、DenseBox 等 三、候选区域/窗 + 深度学习分类 候选区域/窗 + 深度学习分类是目标检测算法的一...
深度学习的目标检测技术演进：R-CNN、FastR-CNN、FasterR-CNN
02-25
本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object...
Mask R-CNN预训练权重
05-26
Mask R-CNN数据标注和模型训练 教程：https://yidamyth.blog.csdn.net/article/details/124851003 使用Mask R-CNN标注自定义数据集，训练自己的模型。 本资源是教程中所需要加载的预训练模型，提供一个便捷的下载...
基于Keras实现的Faster-R-CNN安全帽检测模型源码
03-25
项目代码开源，托管于GitHub（https://github.com/DataXujing/Faster-R-CNN-Keras）。 技术细节： - 主要编程语言：Python - 文件构成：项目共包含50个文件，具体包括： - Python脚本（.py）：22个 - Python编译...
基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。--数据
06-06
基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN 实现目标检测 tensorflow 基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN ...
Mask R-CNN 原理文档
04-25
**Mask R-CNN 概述** Mask R-CNN 是一种深度学习模型，专门用于实例分割和目标检测任务。由Kaiming He、Georgia Gkioxari、Pedro Dollar和Roie Fihrer在2017年提出，该模型在 Faster R-CNN 的基础上进行了扩展，...
R-CNN、fast-R-CNN、faster-R-CNN、mask-R-CNN介绍
03-01
R-CNN（Region-based Convolutional Neural Networks）是一种目标检测算法，它通过两个阶段来检测图像中的目标物体。首先，R-CNN使用选择性搜索（Selective Search）算法生成一系列候选区域，然后对每个候选区域进行...
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