Paper7：R-CNN

最新推荐文章于 2024-02-12 16:08:15 发布
最新推荐文章于 2024-02-12 16:08:15 发布
阅读量160 收藏
点赞数
分类专栏： C++ 以及编程语言 & 随笔
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/m0_37957160/article/details/115124221
版权
本文深入解析经典物体检测算法R-CNN（Regions with Convolutional Neural Network Features）。R-CNN通过有监督预训练、IOU评估、非极大值抑制等方法处理物体检测，使用CNN提取特征并采用SVM进行分类。文章详细介绍了预训练、候选框生成、特征提取、SVM训练等多个步骤，展示了R-CNN在物体检测领域的应用。
摘要由CSDN通过智能技术生成

一、前言

Code：https://github.com/rbgirshick/rcnn#readme

2014年CVPR上的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmentation》，这篇文章的算法思想又被称之为：R-CNN（Regions with Convolutional Neural Network Features），是物体检测领域曾经获得state-of-art精度的经典文献

物体检测和图片分类的区别：图片分类不需要定位，而物体检测需要定位出物体的位置，也就是相当于把物体的bbox检测出来，还有一点物体检测是要把所有图片中的物体都识别定位出来。

二、基础知识

1、有监督预训练与无监督预训练

(1)无监督预训练(Unsupervised pre-training)

无监督预训练这个名词我们比较熟悉，栈式自编码、DBM采用的都是采用无监督预训练。因为预训练阶段的样本不需要人工标注数据，所以就叫做无监督预训练。

(2)有监督预训练(Supervised pre-training)


所谓的有监督预训练，我们也可以把它称之为迁移学习。比如你已经有一大堆标注好的人脸年龄分类的图片数据，训练了一个CNN，用于人脸的年龄识别。然后当你遇到新的项目任务是：人脸性别识别，那么这个时候你可以利用已经训练好的年龄识别CNN模型，去掉最后一层，然后其它的网络层参数就直接复制过来

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Upupup6
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
cascade r-cnn paper
12-03
the Cascade R-CNN, is proposed to address these prob- lems. It consists of a sequence of detectors trained with increasing IoU thresholds, to be sequentially more selec- tive against close false ...
读paper——R-CNN
steph_curry的博客
01-23 453
2014年CVPR。 R-CNN: Regions with CNN features 非极大值抑制： 先假设有6个矩形框，根据分类器类别分类概率做排序，从小到大分别属于车辆的概率分别为A、B、C、D、E、F。 (1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值; (2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下...
目标检测 | RCNN算法系列汇总+详解(包括Fast, Faster)
Zivid_Liu的博客
03-02 9023
从RCNN到Fast RCNN，再到faster RCNN，你知道他们是怎么一步步升级的吗？
深度学习算法原理——RCNN
null的专栏
10-02 3106
相比较于图像分类来说，目标检测（Object Detection）不仅需要标记出图像中的物体（通常使用边框标记），同时需要指出该物体是什么。一般比较直观的想法包括以下的三个步骤： 得到候选区域； 提取候选区域的特征； 对该候选区域分类； RCNN（Region with CNN features），又称为基于区域的卷积神经网络，也是基于上述的思路的一种目标检测的方法，基本的思路如下图所示： ...
R-CNN系列算法解读
Mzcc_bbms的博客
12-23 1033
Mask-RCNN算法详细解读R-CNN系列from R-CNN to Mask-RCNNsliding windows detectorSelective searchR-CNNFast R-CNNMask-RCNN R-CNN系列 from R-CNN to Mask-RCNN R-CNN Fast R-CNN Faster R-CNN FPN FPN + RPN + Fast R-CNN FPN + RPN + Fast R-CNN + Mask Prediction sliding window
RCNN算法
Acmer_future_victor的博客
02-19 1410
Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更带领团队获得终身成就奖，如今供职于Facebook旗下的FAIR。 这篇文章思路简洁，在DPM方法多年平台期后，效果提高显著。包括本文在内的一系列目标检测算法：RCNN, Fast RCNN, Faster RCNN代表当下目标检测的...
实例分割模型MaskR-CNN详解
02-24
本文来自于csdn，本文主要概述一下R-CNN是如何采用卷积神经网络进行目标检测的工作，希望会对您的学习有所帮助。MaskR-CNN是ICCV2017的bestpaper，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...
用卷积滤波器matlab代码-CNN-paper2:深度学习卷积神经网络教程：图像识别，目标检测，语义分割，实例分割，人脸识别，神经风格转换，
05-21
R-CNN, Selective Search, SPP-net Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SSD系列 Mask R-CNN YOLO Pelee R-FCN FPN RetinaNet MegDet DetNet ZSD RFBNet DeNet 从MobileNet到ShuffleNet 神经...
faster R-CNN Features for instance search
05-19
faster R-CNN Features for Instance Search paper 我自己做的ppt
RCNN算法详解
禅与计算机程序设计艺术
08-15 1436
作者：禅与计算机程序设计艺术 1.简介 R-CNN（Regions with Convolutional Neural Networks）是区域卷积神经网络（Region-based convolutional neural networks，R-CNN）的缩写，它是目前最热门的目标检测算法之一。其主要
【机器学习】经典目标检测算法：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍
qq_44832832的博客
12-04 4827
R-CNN系列（R-CNN,fast-RCNN,faster-RCNN）是使用深度学习进行物体检测的鼻祖论文，其中fast-RCNN 以及faster-RCNN都是延续R-CNN的思路。R-CNN全称region with CNN features，其实它的名字就是一个很好的解释。用CNN提取出Region Proposals中的featues，然后进行SVM分类与bbox的回归（定位置）。【RCNN网络结构】 重要思想： （1）通过专门模板去生成候选框（RPN）,寻找前景以及调整边界框（基于锚框） （2）
【目标检测算法】R-CNN（详解）
风口IT猪的成长录
08-14 1万+
目标检测算法之R-CNN学习目标1. 目标检测-Overfeat模型1.1 滑动窗口1.2 Overfeat模型总结2. 目标检测-R-CNN模型2.1 完整R-CNN结构2.2 候选区域（Region of Interest）得出2.3 CNN网络提取特征2.4 特征向量训练分类器SVM2.5 非最大抑制（NMS）2.6 修正候选区域3. 检测的评价指标3.1 IoU交并比3.2 平均精确率（mean average precision）map4. R-CNN总结4.1 流程总结4.2 缺点5. 总结6.
【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）
最新发布
z135733的博客
02-12 6781
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。
R-CNN算法详解
AI之路
06-03 2万+
这是一篇比较早的Object Detection算法，发表在2014年的CVPR，也是R-CNN系列算法的开山之作，网上可以搜到很多相关的博客讲解，本篇博文没有按论文顺序来讲述，而是结合自己经验来看这个算法，希望给初学者一个直观的感受，细节方面不需要太纠结，因为很多部分在后来的算法中都改进了。论文：Rich feature hierarchies for accurate object detect
目标检测——R-CNN系列检测算法总结
lishanlu136的博客
12-04 1524
R-CNN系列检测算法总结
Paper带读笔记CV.4：RCNN
老毛的博客
06-26 451
文章目录前言导读论文的研究背景、成果及意义研究背景研究成果研究意义未来技术研究趋势前期知识储备精读摘要三个知识点introductionR-CNN目标检测的步骤R-CNN的三个模块① Region proposals(候选区域)region proposals的方法②特征提取Run-time analysis训练实验结果比较可视化学习到的特征消除学习检测错误情况分析边框回归总结 前言 本课程来自深...
R-CNN系列算法介绍
weixin_39357271的博客
10-22 676
R-CNN系列算法
【目标检测】RCNN算法详解
热门推荐
shenxiaolu1984的专栏
04-05 22万+
深度学习用于目标检测的RCNN算法
深度学习之目标检测R-CNN模型算法流程详解说明（超详细理论篇）
qq_55433305的博客
06-24 1万+
RCNN算法分为4个步骤:获取候选区域：对于一张输入的图像，首先使用selective search算法获取2000个左右的候选区域。获取图像特征：将图像输入到卷积神经网络中获取图像特征，这一部分可以采用常用的图像卷积神经网络如VGGNet,AlexNet等。获取区域类别：在初步获得目标的位置之后，需要获取目标的类别，这一步采用SVM分类器来判断当前区域属于哪个类别。微调区域位置：尽管候选区域已经初步目标的位置，但是这个区域比较粗糙，因此使用回归器对区域位置进行微调
paper metalenses at visible wavelengths:diffraction-limited focusing andsubw
09-05
纸质金属透镜是指一种创新的透镜材料，由纸质基底与金属纳米结构相结合制成，用于可见光波长范围内的光学聚焦。纸质金属透镜利用金属纳米结构对光的折射、反射和透射来改变光的传播方向和聚焦性能。...
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

打赏作者

Upupup6

写手不易请留下你的打赏鼓励谢谢

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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