Faster R-CNN讲解

最新推荐文章于 2022-08-24 10:32:09 发布
最新推荐文章于 2022-08-24 10:32:09 发布
阅读量412 收藏
点赞数 1
分类专栏： 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/milk_and_bread/article/details/106249093
版权

文章目录

Faster R-CNN结构

在这里插入图片描述

Faster R-CNN创新点

在这里插入图片描述
在这里插入图片描述

RPN(区域选择网络)

在这里插入图片描述
从下到上简单说下，先是卷积提取特征，最后将得到特征图，进行分类（有目标和没有目标）和回归（候选框的中心坐标，以及长宽）

最右侧的是我们的anchor，它是根据候选框的中心坐标以及长宽，等比例的放大。这里用的9个anchor

这里的K也就是我们的anchor的个数，所以这个对每一框都有打分，从中选择最好的那一个。

详细见RPN计算流程

anchor

在这里插入图片描述

RPN计算流程

在这里插入图片描述
在这里插入图片描述

代价函数

总公式：
在这里插入图片描述
在这里插入图片描述

首先，这是一个分类的损失函数。

p i ∗ p^*_i pi∗​为1/0,根据是否IOU>=0.5取得，为1也就是框到目标。

p i p_i pi​为预测的概率。

最后就是损失函数的表达式。

在这里插入图片描述
这是回归的损失函数。让框更好的框到目标。损失函数见上面总公式的最右边。

ground truth也就是我们标注的数据。这里的 p i ∗ p^*_i pi∗​就不多说了，有目标才对框回归求最最佳框。

这里的回归公式的 t i , t i ∗ t_i,t^*_i ti​,ti∗​,计算的过程在上图的右半部分：

这几个框的关系呢，真实标注框（顾名思义就是我们标注的），

anchor box也就是我们上面讲到的使用RPN生成的框，

这个预测框呢就是我们将要输出的框，这个预测框的效果呢就是跟真实框接近。

在这里插入图片描述

Faster R-CNN 训练

在这里插入图片描述

Faster R-CNN结果

在这里插入图片描述
在这里插入图片描述

milk_and_bread
关注
专栏目录
【PyTorch实战演练】Faster R-CNN介绍以及通过预训练模型30行代码实现目标检测_faster rcnn预训练模型
2401_84520150的博客
04-21 852
按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解及成果，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。本文介绍Faster R-CNN的结构及原理，并基于PyTorch官方文档使用预训练好的模型进行目标检测实例。关于面试刷题也是有方法可言的，建议最好是按照专题来进行，然后由基础到高级，由浅入深来，效果会更好。Java基础部分算法与编程数据库部分流行的框架与新技术（Spring+SpringCloud+SpringCloudAlibaba）
Faster R-CNN 理论原理
JOJOliney的博客
06-09 1407
Faster R-CNN 理论原理 一、Faster R-CNN介绍 在b站看到一位大神up主发布的CNN原理和代码的教学视频，发现非常有帮助，于是将他所讲的内容总结了下来供大家学习讨论。 下面是up的视频、代码、博客的连接： b站视频链接：https://space.bilibili.com/18161609/channel/index github代码和PPT：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing up主的CSD
Faster R-CNN中的公式记录
DaringTang的博客
10-29 951
Faster R-CNN中的公式记录 1.最简单的特征图尺寸变换公式 Hout=Hin−hkernel+2∗paddingstride+1 H_{out}= \frac{H_{in}-h_{kernel}+2*padding}{stride}+1 Hout​=strideHin​−hkernel​+2∗padding​+1 2.Bounding box 回归原理 ​ ...
【目标检测】Faster RCNN论文理解
qq_36926037的博客
05-12 1969
摘要   当前最先进的目标检测网络：   依赖于区域建议算法来假设目标位置，例选择性搜索。SPPnet和Fast R-CNN等技术的进步缩短了检测网络的运行时间，但暴露了候选区域计算的瓶颈。   本文Faster RCNN：   Faster RCNN=RPN+Fast RCNN。引入区域建议网络(RPN)，它与检测网络（Fast RCNN）共享全图像卷积特性，从而实现了几乎‘免费’的区域建议。RPN是一个全卷积的网络，可以同时预测每个对象的位置边界和得分。对RPN进行端到端的训练，生成高质量的候选区域，F
论文阅读 || 目标检测系列—— Mask R-CNN详解
magic_ll的博客
06-14 6283
论文链接：https://arxiv.org/abs/1703.06870 mask RCNN是He Kaiming大神2017的力作，其在进行目标检测的同时进行实例分割，取得了出色的效果，取得了COCO 2016比赛的冠军 图像分割的集中方式：语义分割、实例分割、全景分割。如下图所示 Mask RCNN沿用了Faster RCNN的思想。Mask RCNN = （ResNet-FPN)...
一文读懂Faster RCNN（大白话，超详细解析）
热门推荐
风中一匹狼的博客
08-30 15万+
文章目录一 前言二 Faster RCNN模型详解1 测试（Test）1.1 总体架构1.2 conv layers1.3 RPN1.3.1 anchors1.3.2 cls layer——分类1.3.3 reg layer——回归2 训练三 总结 一 前言 Faster RCNN是two-stage目标检测模型中的典型代表，虽然已经是16年的老模型，但检测与训练过程还是比较复杂的，至少有80%以上调包使用该模型的人其实并不理解其检测原理以及很多细节。不需要对每一个细节都死扣，但理清其检测逻辑和训练过程还是
Faster-RCNN详解
panfengblog
07-20 1120
Faster-RCNN详解 Faster-RCNN源码分析可以点击这里 1. 向前传播过程 1.1 CNN提取特征 就是将图片输入到预训练好的CNN网络中获取特征图feature map。 以含有四层maxpool的vgg网络为例，输入图片大小为（w,h,3）,则输出特征图的大小为（w/16, h/16, 512） 1.2 RPN网络 Faster-RCNN一个重要的变化就是抛弃了前代RCNN使用SS(Selective Search)方法生成检测框，而是使用RPN网络。 1.2.1 生成anchor ba
GiantPandaCV-Faster R-CNN原理和代码讲解1
08-03
**Faster R-CNN原理和代码讲解** **一、整体框架** Faster R-CNN是一种目标检测算法，它在R-CNN（Region-based Convolutional Neural Networks）的基础上进行了改进，提高了速度和性能。整体框架包括以下四个关键...
Faster R-CNN详解
张家四少
09-01 1万+
1 前言 Faster RCNN将特征抽取(feature extraction)，proposal提取，bounding box regression，classification都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。 图1 Faster RCNN基本结构（来自原论文） 1.1 图1展示了F...
Faster R-CNN论文翻译和PPT讲解-附件资源
03-05
Faster R-CNN论文翻译和PPT讲解-附件资源
Faster RCNN详解（个人理解）
LLL8552的博客
08-24 2万+
这是我在学习Faster R-CNN的原理时做的学习总结，个人感觉还是比较详细的。
Faster RCNN算法详解
wzy的博客
12-20 1万+
Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information Processing Systems. 2015. 本文是继RCNN[1]，fast RCNN[2]之后，目标检测界的领
Faster R-CNN最全讲解
weixin_43702653的博客
04-09 2万+
Faster R-CNN最全讲解
Faster rcnn test浮点运算次数（卷积实现过程，Faster rcnn总体结构和参数）
XZZPPP的博客
11-24 7379
我在调试faster rcnn demo.py的代码后，用监控卡口图片做了测试，并统计了其浮点运算次数（这只是一个粗略的统计，即仅统计了卷积部分乘法运算次数），另外，该代码可以通过pycharm调试，为了能深入理解其内部原理，建议大家动手调试。      上表中，结合protobuf文件，我们知道，layer_name表示层名，bottom表示层输入数据，top表示层输出数据，kernel_si
Faster-RCNN算法精读
hunterlew的专栏
05-01 11万+
读论文：《Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks》 摘要：算法主要解决两个问题： 1、提出区域建议网络RPN，快速生成候选区域；2、通过交替训练，使RPN和Fast-RCNN网络共享参数。 一、 RPN网络结构 RPN网络的作用是输入一张图像，输出一批矩形候选区域
十分钟理解Faster-RCNN系列算法及相关算法详细原理
leidaidai的博客
08-04 1018
十分钟理解Faster-RCNN系列算法及相关算法详细原理 一、二阶段算法RCNN、Fast-RCNN、Faster-RCNN比较 1.R-CNN 实现过程 （1）region proposal。用区域合并算法SS（Selective Search for Object Recognition解读https://blog.csdn.net/mao_kun/article/details/50576003 ）在同一张图片上产生候选框。 （2）feature extraction。分别将图片上的每个候选框
物体检测--Mask_RCNN系列:(一)论文最详解读
Danbinbo的博客
07-15 1598
Mask-RCNN是ICCV2017的best paper，是何凯明大神的又一力作,Mask R-CNN是基于Faster R-CNN的基于上演进改良而来，FasterR-CNN并不是为了输入输出之间进行像素对齐的目标而设计的，为了弥补这个不足，我们提出了一个简洁非量化的层，名叫RoIAlign，RoIAlign可以保留大致的空间位置，除了这个改进之外，RoIAlign还有一个重大的影响：那就是它...
Faster RCNN的RPN是怎么实现回归的？
wshdkf的博客
05-25 6612
注：些许心得，或比较乱。首先来看RPN的损失函数：总损失=分类损失+回归损失。由于RPN的作用时生成候选区域，因此为2分类（是/否目标）问题。回归则是为了对目标区域更准确地定位。参考网络配置文件：回归损失采用方程：训练回归过程时，也需要标签信息。ti 和 ti* 分别为网络的预测值和回归的目标。；在训练RPN时需要准备好目标t*。它是通过ground-truth box（目标真实box）和anch...
Faster RCNN原理篇（一）——Bounding-Box Regression边界框回归的学习和理解
Yale-曼陀罗
12-14 4672
Bounding-Box Regression边界框回归的学习和理解引言1. （Why?）为何要做边框回归？2. （What?）什么是边框回归？3. （How?）如何实现边框回归？4. 边框回归为什么使用相对坐标差？5. 为什么边框回归只能微调，且只有距离Ground Truth较近的时候才能生效？ 引言 由于Faster RCNN = RPN + Fast RCNN，因此，为了学习和理解Faster RCNN，本人研究了RPN的实现原理，在学习RPN实现原理的过程中，又不可避免地开始深专Bounding-
我需要在组会讲解R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN，请为我提出一些思路和具体的讲解内容
最新发布
07-17
当讲解 R-CNN、Fast R-CNN、Faster R-CNN 和 Mask R-CNN 时，你可以按照以下思路和讲解内容进行组织： 思路： 1. 介绍目标检测的概念和应用场景，以引起听众的兴趣。 2. 简要解释传统目标检测方法的局限性，如选择性搜索等。 3. 引出 R-CNN 作为第一个基于深度学习的目标检测方法，并介绍其基本原理。 4. 逐步引入 Fast R-CNN、Faster R-CNN 和 Mask R-CNN，说明它们在 R-CNN 的基础上进行了哪些改进和优化。 具体讲解内容： 1. R-CNN (Region-based Convolutional Neural Networks) - 解释 R-CNN 的三个主要步骤：候选区域生成、特征提取和分类器。 - 介绍选择性搜索算法用于生成候选区域。 - 解释如何利用预训练的卷积神经网络提取候选区域的特征。 - 说明如何使用 SVM 进行目标分类。 2. Fast R-CNN - 引出 Fast R-CNN 的改进目标：加速训练和推理过程，提高检测效果。 - 解释 Fast R-CNN 的主要改进：使用全卷积网络提取特征，引入 RoI pooling 层等。 - 说明 Fast R-CNN 的训练和推理流程。 3. Faster R-CNN - 引出 Faster R-CNN 的改进目标：进一步提高检测速度。 - 介绍 Faster R-CNN 的两个核心组件：区域建议网络 (RPN) 和 Fast R-CNN。 - 解释 RPN 的作用和原理，以及如何生成候选区域。 - 说明 Faster R-CNN 的训练和推理流程。 4. Mask R-CNN - 引出 Mask R-CNN 的改进目标：在目标检测的基础上增加语义分割能力。 - 解释 Mask R-CNN 的主要改进：在 Fast R-CNN 的基础上添加了一个分割分支。 - 说明如何通过在 RoI 上应用全卷积网络实现像素级别的语义分割。 通过以上思路和具体内容，你可以向听众清晰地介绍 R-CNN、Fast R-CNN、Faster R-CNN 和 Mask R-CNN 的原理和演进过程。记得适当使用图表和示意图来帮助解释。
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