FasterRCNN源码解析——数据在RPN的传输路线

最新推荐文章于 2023-04-27 22:42:10 发布
最新推荐文章于 2023-04-27 22:42:10 发布
阅读量313 收藏 2
点赞数 2
分类专栏： 计算机视觉 文章标签： python 人工智能 pytorch
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/prague6695/article/details/115132328
版权
本文详细解析Faster R-CNN中数据在RPN（区域提议网络）的传输路径，从RPNHead的输出到anchor生成，再到筛选和NMS处理，以及损失函数的计算，全面揭示目标检测模型的关键步骤。
摘要由CSDN通过智能技术生成

文章目录

数据在RPN的传输路线

即RegionProposalNetwork类中的forward函数

通过在开头所传入的三个数据images,features,targets
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

我们经过RPNHead后

		# RPN uses all feature maps that are available
        # features是所有预测特征层组成的OrderedDict
        features = list(features.values())

        # 计算每个预测特征层上的预测目标概率和bboxes regression参数
        # objectness和pred_bbox_deltas都是list
        objectness, pred_bbox_deltas = self.head(features) # objectness预测特征层的个数

我们会在每个预测特征层上生成 k个预测的目标概率以及4k个bboxes regression参数，其中k代表的是 anchor boxes的数量（这里之所以会显示3，是因为res50+FPN的backbone是在不同的预测特征层都要生成不同尺度的anchor的，5个预测特征层，每层3个anchor， 而mobilenet只有一个预测特征层，所以一层上共有15个anchor）
在这里插入图片描述
在这里插入图片描述

我们经过anchor生成器之后

# 生成一个batch图像的所有anchors信息,list(tensor)元素个数等于batch_size
        anchors = self.anchor_generator(images, features)

在这里插入图片描述

求得一个batch中有多少图片

 # batch_size
 num_images = len(anchors)

计算每个预测特征层上对应的anchors数量

# 计算每个预测特征层上的对应的anchors数量
        num_anchors_per_level_shape_tensors
最低0.47元/天 解锁文章
在学习的王哈哈
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
faster-rcnn中，对RPN的理解
wxie的Linux人生
10-16 979
原文中rcnn部分的截图 图片来自网上，黑色是滑动窗口的区域，就是上图的红色区域的sliding window其他颜色 9种窗口 就是anchor机制生成的9种区域 这里要把sliding window和卷积层的滑动区别开，sliding winsow的stride步长是1！（想到经典的harr+adaboost人脸检测） sliding window只是选取所有可能区域，并没有额外的什么...
FasterRCNN
qq_37497304的博客
08-30 2792
论文：“Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”
【目标检测】|fasterRCNN ROI Pooling原理 RPN输出
qq_35608277的博客
06-09 1048
目标检测architecture通常可以分为两个阶段： （1）region proposal：给定一张输入image找出objects可能存在的所有位置。这一阶段的输出应该是一系列object可能位置的bounding box。这些通常称之为region proposals或者 regions of interest（ROI），在这一过程中用到的方法是基于滑窗的方式和selective search。 （2）final classification：确定上一阶段的每个region proposal是否属于目
FasterRcnn 原理解析
无能狂怒博客
11-01 802
FasterRCNN
【机器学习】彻底搞懂CNN
weixin_30252709的博客
12-04 306
之前通过各种博客视频学习CNN，总是对参数啊原理啊什么的懵懵懂懂。。这次上课终于弄明白了，O(∩_∩)O~ 上世纪科学家们发现了几个视觉神经特点，视神经具有局部感受野，一整张图的识别由多个局部识别点构成；不同神经元对不同形状有识别能力，且视神经具有叠加能力，高层复杂的图案可以由低层简单线条组成。之后人们发现经过conclusional的操作，可以很好反映视神经处理计算的过程，典型的是1998年L...
Faster-RCNN源码及其代码实现.zip
08-10
这个压缩包文件" Faster-RCNN源码及其代码实现.zip"包含了一些关键组件和资源，可以帮助我们理解并实现Faster R-CNN。 1. **Faster R-CNN架构**：Faster R-CNN由两大部分组成：区域提议网络（Region Proposal ...
Faster_rcnn_rpn_cls_weights.h5
11-19
这个资源是《保姆级 Keras 实现 Faster R-CNN 五》中训练生成的 weight 文件, 需要参考文章使用. 文章链接: https://blog.csdn.net/yx123919804/article/details/120683524
已经训练好tensorflow的Faster RCNN模型下载.7z
08-09
Faster RCNN（Fast Region-based Convolutional Network）是一种在计算机视觉领域广泛应用的目标检测算法，它在R-CNN（Region-based Convolutional Network）的基础上进行了优化，显著提升了目标检测的速度和性能。...
fasterRCNN-resnet50
01-11
在"**fasterRCNN-resnet50**"项目中，Caffe被用来实现Faster R-CNN，并结合了ResNet的网络架构，具体为ResNet-50，这是一种深度达到50层的残差网络。 **ResNet-50**的核心是残差块（Residual Block），其创新之处...
Faster RCNN源代码
05-24
6. **代码结构**：在`py-faster-rcnn-master`中，`lib`目录包含了基本的卷积神经网络操作和目标检测相关函数；`models`目录包含了各种网络结构的配置文件；`tools`目录提供了训练和测试的脚本；`data`目录用于存放...
Faster-RCNN代码解读7：主要文件解读-下
weixin_46676835的博客
04-27 798
Faster-RCNN代码解读7：主要文件解读-下
Faster RCNN网络源码解读（Ⅷ） --- RPN网络代码解析（下）RegionProposalNetwork类解析
qq_41694024的博客
01-01 758
RPN网络代码解析（下）RegionProposalNetwork类解析
maskrcnn-benchmark 代码详解之　box_coder.py
leijieZhang的博客
06-05 2458
前言 box_coder.py主要用于候选边框(proposal)的编码和解码，即求解RCNN论文中回归目标中的以及预测边框。其主要针对的是RCNN和faster RCNN中的Bounding-box regression部分的操作。 １b-box 回归（RCNN) 假设现有获得的候选框（proposal）为, 而基准框（ground-truth）为, 我们需要找一种映射方式使...
深度学习在推荐系统中的应用
Yasin的博客
05-04 3524
PNN模型理论和实践 1、原理 PNN，全称为Product-based Neural Network，认为在embedding输入到MLP之后学习的交叉特征表达并不充分，提出了一种product layer的思想，既基于乘法的运算来体现体征交叉的DNN网络结构，如下图： 按照论文的思路，我们也从上往下来看这个网络结构： 输出层 输出层很简单，将上一层的网络输出通过一个全链接层，经过s...
Faster R-CNN - 目标检测详解
热门推荐
长风破浪会有时，直挂云帆济沧海
02-11 8万+
Faster R-CNN - 目标检测详解 [原文 - Faster R-CNN: Down the rabbit hole of modern object detection] 学习别人对于 Faster R-CNN 的理解，结合自己的理解，以掌握忽略的点. Object detection: an overview in the age of Deep Learning 已经对...
【论文泛读】 Faster R-CNN:利用RPN实现实时目标检测
风信子的猫Redamancy的快乐星球
07-31 5964
【论文泛读】 Faster R-CNN:利用RPN实现实时目标检测 文章目录【论文泛读】 Faster R-CNN:利用RPN实现实时目标检测前言摘要 Abstract介绍 Introduction相关工作 Related WorkFaster R-CNNRegion Proposal Networks 区域推荐网络锚点 Anchor平移不变性锚点损失函数 Loss Function训练RPNsFaster R-CNN的训练实验细节总结 论文链接：Faster R-CNN: Towards Real-Tim
[PyTorch 学习笔记] 8.2 目标检测简介
张贤的博客
09-26 522
本章代码： https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson8/detection_demo.py https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson8/fasterrcnn_demo.py 这篇文章主要介绍了目标检测。 目标检测是判断目标在图像中的位置，有两个要素： 分类：分类向量 P0,P1,P2...P_{0}, P_{1}, P_.
RPN与ROI Pooling
方悔读书迟
08-10 1533
Faster R-CNN网络结构 一、RPN 第一条线路：在原图尺度上，设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的positive anchor，哪些是没目标的negative anchor。 feature maps每一个点都有9个anchors，同时每个anchors又有可能是positive和negative，所有这些信息都保存WxHx(9*2)大小的矩阵。通过softmax获得positive anchors，相当于初步提取了检测目标候选区域box（一般认
（转） 技术揭秘：海康威视PASCAL VOC2012目标检测权威评测夺冠之道
a1424262219的博客
09-21 668
技术揭秘：海康威视PASCAL VOC2012目标检测权威评测夺冠之道 原创2016-09-21钟巧勇深度学习大讲堂 点击上方“深度学习大讲堂”可订阅哦！深度学习大讲堂是高质量原创内容平台，邀请学术界、工业界一线专家撰稿，致力于推送人工智能与深度学习最新技术、产品和活动信息！ 近年来，随着深度学习的崛起，计算机视觉得到飞速发展。目标检测作为计算机视...
fasterrcnn 源码
最新发布
01-27
在源码中，会包含网络结构的定义、损失函数的定义、数据加载与处理、训练过程以及测试过程等。 总之，Faster R-CNN源码实现了一种端到端的目标检测算法，通过整合区域建议网络和快速区域卷积神经网络，实现了高效...
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