R-CNN

已于 2022-08-13 19:37:55 修改
阅读量1.8k 收藏 10
点赞数 2
文章标签： r语言 cnn 计算机视觉
于 2022-08-13 19:31:43 首次发布
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_51797359/article/details/126232701
版权

文章目录

1.前言

  • R-CNN论文
  • R-CNN(Region with CNN feature)
  • R-CNN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，曾在2010年带领团队获得终身成就奖
  • 在R-CNN提出来之前，传统的目标检测准确率大概在30%左右，而R-CNN准确率达50%

2.R-CNN算法流程

  • 一张图像生成1K~2K个候选区域（使用Selective Search算法）
  • 对每个候选区域，使用深度网络提取特征
  • 特征送入每一类的SVM分类器，判别是否属于该类
  • 使用回归器精细修正候选框的位置

2.1候选区域的生成

  • 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
  • 通过Selective Search算法就可以对一张图片，获得一些矩形框，这些矩形框里面就可能包含我们需要检测的目标
  • 通过Selective Search算法获得2K个候选区域

2.2提取特征

  • 将2K个候选区域统一缩放到227×227像素(pixel)，接着将候选区域输入事先训练好的AlexNet CNN网络
    在这里插入图片描述

  • 之前都是先将特征图进行展平处理，然后将展平处理后的向量输入至全连接层，而在R-CNN中将后面的全连接层去掉了，直接得到特征向量，这里每个向量都是4096维的（特征矩阵64×64，展平之后就是4096）

  • 因为是2000个候选区域，所以得到了2000×4096的特征矩阵

  • 特征矩阵的每一行就对应着一个候选区域的特征向量，一共2000行

2.3判定类别

  • SVM分类器是一个二分类的分类器，针对每一个类别都有一个专门的分类器
    在这里插入图片描述
  • 我们以一个20个类别的数据集为例，所以就有20个SVM分类器
  • 将每一个分类器又组成了一个4096×20的权值矩阵
  • 将每一个特征向量分别输入到每一类SVM分类器，去判定类别，也就是将特征矩阵（2000×4096）与20个SVM组成的权值矩阵（4096×20）相乘
  • 就得到2000×20的评分矩阵，表示每个建议框归属于每个类别的概率
  • 评分矩阵的第一行第一列代表第一个特征向量为第一类的概率，同理第 i i i行的第 j j j列，代表第 i i i个特征向量为第 j j j类的概率，一共有2000个特征向量，20个类别，所以评分矩阵就是2000×20
  • 接着再对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

2.3.1非极大值抑制剔除重叠建议框

  • IoU(Intersection over Union)表示 ( A ∩ B ) / ( A ∪ B ) (A\cap B)/(A\cup B) (A∩B)/(A∪B)
  • 对于每一个类别首先去寻找得分最高的目标，计算其他目标与该目标的IoU值，然后对每一个边界框与最高得分的边界框IoU值进行判断，如果该IoU值大于给定的阈值，那么就删除该边界框，再将最高得分的目标存起来，在剩下的边界框当中再去寻找得分最高的目标，再按照上述流程进行计算，直到将所有的边界框遍历结束
    在这里插入图片描述
  • 比如上图的向日葵，通过Selective Search算法得到一系列的边界框
  • 在这些边界框中评分最高的（如图A），然后通过SVM之后，得到的概率是0.98，另外一个图B所对应的概率是0.86
  • 通过计算图A和图B的IoU，如果图A和图B计算出来的IoU大于给定的阈值，那么我们就认为图A和图B是同一个目标，这样我们就将概率低(图B)给删掉，保留图A
  • 剩下的边界框重复上述操作，最后我们所得到的应该就是一个最完美的边界框，而不是上图所示的那么多边界框，因为里面本来就一个目标

2.4使用回归器

  • 使用回归器精细修正边界框位置

  • 保留与真实标注的目标边界框有相交，并且IoU大于阈值的边界框，不满足条件的边界框就进行删除

  • 再分别使用20个回归器对上述20个类别中的剩余边界框进行回归操作，最终得到每个类别的修正后的得分最高的边界框

  • 接下来利用每一个边界框所得到的4096维的特征向量来预测
    在这里插入图片描述

  • 橙色框 P P P表示通过Selective Search算法得到的目标边界框Region Proposal

  • 绿色框 G G G表示真实准确的目标边界框Ground Truth，真实框是标注的数据集中自带的，真实框手工标注的

  • 红色框 G ^ \hat{G} G^表示Region Proposal进行回归后的预测窗口，通过回归分类器会得到四个参数，分别对应边界框中心点的 x x x偏移量， y y y偏移量，以及边界框高度和宽度的缩放因子，通过四个值对橙色框进行调整，从而得到红色的边界框

3.R-CNN框架

在这里插入图片描述

  • R-CNN是由四个部分组成的
  • 第一个部分：通过Selective Search算法得到一系列候选框Region proposal
  • 第二个部分：通过卷积神经网络（CNN），将候选框得到一系列特征向量
  • 第三个部分：将一系列特征向量通过SVM进行目标分类，得到概率值，再通过IoU筛选候选框，最终每一类得到一个候选框
  • 第四个部分：最后通过回归器，将候选框与人工标注的真实边界框进行操作，从而调整候选框的坐标
    在这里插入图片描述

4.R-CNN存在的问题

4.1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
  • 因为会得到很多候选框，而每一个候选框都需要计算特征向量，又因为候选框是有重叠的，所以会有很多冗余

4.2训练速度慢

  • 训练过程及其繁琐，不仅要训练图像分类网络，还要训练SVM分类器和回归器，并且这三个训练之间都是相互独立的

4.3训练所需空间大

  • 对于SVM和边界框回归器训练，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
  • 当我们把图像分类器训练好之后，需要将每一个候选框的每一个特征信息都提取出来，并保存到电脑的硬盘中
  • 然后再利用这些信息去单独训练SVM，以及边界框回归器
  • 对于非常深的网络，如VGG16，从VOC07训练集上的5k个图像上提取的特征需要数百GB的存储空间
没有难学的知识
关注
R-CNN、Fast RCNN和Faster RCNN网络介绍
chase
08-02 5358
R-CNN、Fast RCNN和Faster RCNN网络介绍
目标检测：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍
qq_43799400的博客
03-10 3万+
目标检测：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍
R-CNN史上最全讲解
热门推荐
weixin_43702653的博客
04-06 6万+
R-CNN史上最全讲解
R-CNN(目标检测算法)介绍
Sea__c的博客
10-22 3438
因为一个框可以用四个值来表示（x,y,w,h）分别是框的中心点横坐标，中心点纵坐标，宽，高。由于物体标签训练数据少，如果要直接采用随机初始化CNN参数的方法,目前的训练数据量是不够的. 基于此，采用有监督的预训练，使用一个大的数据集（ImageNet )来训练AlexNet，得到一个1000分类的预训练（Pre-trained）模型。目标检测不仅需要确定目标的类别，还要找到目标在图像中的位置.由于各类目标不同的外观，颜色，大小以及在成像时光照，遮挡等具有挑战性的问题，目标检测一直处于不断的优化和研究中.
【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.
RCNN详解
panfengblog
07-14 3万+
RCNN详解 RCNN即region proposals（候选区域） + CNN，是将CNN引入目标检测领域的开山之作（2014年），大大提高了目标检测的效果，在其后也是出现了更优异的变体Fast RCNN, Faster RCNN。 下文按照RCNN的工作过程依次介绍 1. 生成候选区域 获取候选区域最直接的方式就是滑窗法了，但是滑窗法需要用一个固定大小的小窗口遍历整张图片，因此其有很多的局限性。 所以一般都是使用一些候选区域（Region Proposal）算法，候选区域算法使用一些图像分割的算法来识别
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...
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...
大话目标检测经典模型（RCNN、Fast RCNN、Faster RCNN）
qq_33287871的博客
10-04 1018
目标检测是深度学习的一个重要应用，就是在图片中要将里面的物体识别出来，并标出物体的位置，一般需要经过两个步骤： 1、分类，识别物体是什么 2、定位，找出物体在哪里 除了对单个物体进行检测，还要能支持对多个物体进行检测，如下图所示： 这个问题并不是那么容易解决，由于物体的尺寸变化范围很大、摆放角度多变、姿态不定，而且物体有很多种类别，可以在图片中出现多种物体、出现在任意位置。因此，目标检测是一个比较复杂的问题。 最直接的方法便是构建一个深度神经网络，将图像和标注位置作为样本输入，然后经过CNN网络，再.
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 9120
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
深度学习经典网络解析目标检测篇（一）：R-CNN
与君共勉，一起学习
04-23 7735
深度学习经典网络解析（八）：R-CNN1.背景介绍2.目标检测（Object Detection） R-CNN论文详情见我的博客： 深度学习论文阅读（七）：R-CNN《Rich feature hierarchies for accurate object detection and semantic segmentation》 1.背景介绍   目标检测（Object Detection) 就是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，通俗点说就是给定一张图片要精确的定位到物体所
R-CNN 详解
A_fearless_engineer的博客
11-10 1718
R-CNN
R-CNN系列算法解读
Mzcc_bbms的博客
12-23 998
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
Nature子刊 | ATAC-seq、RNA-seq和蛋白组联合分析揭示脂质激活转录因子PPARα在肾脏代偿性肥大的作用机制
最新发布
Igenebook的博客
07-19 819
在这篇文章中，作者为了探究肾脏代偿性肥大的信号机制，构建了单侧肾切除的小鼠模型，通过三种不同的组学方法（ATAC-seq、RNA-seq 和蛋白质组学），鉴定了转录因子PPARα可能在肾脏代偿性肥大的过程中发挥重要的调节作用，肾脏中内源性PPARα配体水平的显著增加，可能是PPARα激活的潜在机制，接着通过在小鼠体内进行PPARα激动剂处理和基因敲除进行验证，证明了PPARα是近端小管细胞大小的重要调节因子。图1.单侧肾切除术（UNx）后的代偿性肥大发生迅速，主要是由于近端小管中细胞体积的增加。
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...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

没有难学的知识

你的鼓励将是我创作的最大动力

¥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