Fast R-CNN（2015.9）

已于 2023-10-25 09:41:18 修改
阅读量93 收藏
点赞数 1
分类专栏： 论文笔记 # R-CNN 文章标签： r语言 cnn 开发语言 深度学习
于 2023-10-25 09:33:11 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/qihshe/article/details/133993561
版权


文章目录


论文链接
源代码

Abstract

本文提出了一种快速区域卷积网络(Fast R-CNN)的目标检测方法。Fast R-CNN基于以前的工作（R-CNN，SPP-net），使用深度卷积网络有效地对对象提案进行分类。与以前的工作相比，Fast R-CNN采用了几项创新来提高训练和测试速度，同时也提高了检测精度。

Introduction

由于检测需要精确地定位物体，这就产生了两个主要的挑战：
首先，必须处理许多候选对象位置(通常称为“proposals”)
其次，这些候选点只能提供粗略的定位，必须加以改进才能实现精确定位
这些问题的解决方案通常会牺牲速度、准确性或简单性
在本文中，我们简化了最先进的基于convnet的目标检测器的训练过程[9,11]，提出了一种单阶段训练算法，该算法联合学习对目标建议进行分类并细化其空间位置

R-CNN and SPPnet

基于区域的卷积网络(R-CNN[9]通过使用深度卷积神经网络对目标提案进行分类，实现了优异的目标检测精度。然而，R-CNN也有明显的缺点

训练是一个多阶段的流水线

训练在空间和时间上都很昂贵

目标检测速度慢

Contributions

我们提出了一种新的训练算法，该算法修正了R-CNN和SPPnet的缺点，同时提高了它们的速度和准确性。我们称这种方法为快速R-CNN，因为它的训练和测试速度相对较快。快速R- CNN方法有几个优点：

  1. 检测质量(mAP)高于R-CNN、SPPnet
  2. 训练是单阶段的，使用多任务损失
    3.训练可以更新所有的网络层
  3. 特征缓存不需要磁盘存储

Fast R-CNN architecture and training

Fast R-CNN网络将一整张图像和一组目标建议作为输入。该网络首先用几个卷积(conv)和最大池化层来处理整个图像，以产生一个conv特征图。然后，对于每个目标候选框，感兴趣区域池化层从特征映射中提取固定长度的特征向量

输入图像和多个感兴趣区域(RoI)被输入到一个全卷积网络中。每个RoI被汇集成一个固定大小的特征映射，然后通过全连接层(fc)映射到一个特征向量。该网络每个RoI有两个输出向量:softmax概率和每个类的边界盒回归偏移量。该体系结构是端到端训练的，具有多任务损失

The RoI pooling layer

RoI池化层使用最大池化将任何有效感兴趣区域内的特征转换为具有固定空间范围H ×W(例如7×7)的小特征图，其中H和W是独立于任何特定RoI的层超参数
RoI最大池化的工作原理是将h × w RoI窗口划分为大小近似为h/ H × w/ W的子窗口的H × W网格，然后将每个子窗口中的值最大池化到相应的输出网格单元中（RoI层只是SPPnets[11]中使用的空间金字塔池层的特殊情况，其中只有一个金字塔层）

Initializing from pre-trained networks

Fine-tuning for detection

用反向传播训练所有网络权重是Fast R-CNN的一项重要能力

让我们来解释为什么SPPnet无法更新空间金字塔池层以下的权重
根本原因是，当每个训练样本(即RoI)来自不同的图像时，通过SPP层的反向传播效率非常低，这正是R-CNN和SPPnet网络的训练方式，这种低效率源于这样一个事实，即每个RoI可能有一个非常大的接受域，通常跨越整个输入图像。由于前向传递必须处理整个接受野，所以训练输入很大(通常是整个图像)

我们提出了一种更有效的训练方法，利用训练过程中的特征共享。在Fast R- CNN训练中，随机梯度下降(SGD)小批量分层采样，首先通过采样N个图像，然后从每个图像中采样R/N RoI
关键的是，来自同一图像的RoI在向前和向后传递中共享计算和内存，使N变小减少小批量计算

除了分层采样，Fast R-CNN使用了一个精简的训练过程，其中一个微调阶段联合优化softmax分类器和边界盒回归器，而不是在三个单独的阶段训练softmax分类器、svm和回归器

Multi-task loss

每个训练RoI都被标记为一个真值类u和一个真值边界盒回归目标v，我们在每个标记的RoI上使用一个多任务损失L来联合训练分类和边界盒回归:
其中L cls (p,u) = - logp u为真类u的对数损失
对于边界盒回归，我们使用损失：

Mini-batch sampling

在微调期间，每个SGD迷你批都是由N = 2个随机选择的图像构建的(作为通常的做法，我们实际上对数据集的排列进行了迭代)。我们使用大小为R = 128的小批量，从每张图像中采样64个RoI

我们从具有交集/联合(IoU)重叠且ground- truth bounding box至少为0.5的目标提案中提取25%的roi。这些roi包括用前景对象类标记的示例，即u≥1。剩余的roi是从在区间[0.1,0.5)内具有最大iou的目标提案中采样的

Back-propagation through RoI pooling layers

SGD hyper-parameters

用于softmax分类和边界盒回归的全连接层分别从零均值高斯分布初始化，标准差分别为0.01和0.001。偏差被初始化为0。所有层对权重和偏差的每层学习率分别为1和2，全局学习率为0.001

Scale invariance

我们探索了实现尺度不变目标检测的两种方法:(1)通过“蛮力”学习和(2)通过我们的图像金字塔

Fast R-CNN detection

Truncated SVD for faster detection

对于全图像分类，计算全连接层所花费的时间比计算转换层要少。
相反，对于检测，要处理的roi数量很大，并且近一半的前向传递时间用于计算完全连接的层(见图2)。在这里插入图片描述

用截断的奇异值分解(SVD)对大的全连接层进行压缩，可以很容易地加速它们[5,23]。在这种技术中，一个由u × v权重矩阵W参数化的层被近似分解为

Main results

三个主要结果支持本文的贡献:
1.在VOC07, 2010和2012取得最先进的mAP
2. 与R-CNN, SPPnet相比，快速训练和测试
3.在VGG16中微调转换层可以改善mAP

Conclusion

本文提出了Fast R-CNN，它是对R-CNN和SPP-net的一种干净、快速的更新.
特别值得注意的是，稀疏对象候选框似乎提高了检测器的质量。这个问题在过去花费太大(时间上)而无法探究，但它在Fast R-CNN上是可行的。当然，可能存在一些尚未被发现的技术，可以让密集的盒子表现得和稀疏候选框一样好。这种方法，如果发展，可能有助于进一步加快目标检测

怎么全是重名
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Fast R-CNN 理论原理
JOJOliney的博客
06-07 1155
Fast R-CNN 理论原理 一、Fast 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CSDN博客：
Fast-R-CNN论文解读
勤劳鸟儿
02-20 3716
Fast-r-cnn是Ross在2015年发表的一篇论文，其网络全称为： Fast Region-based Convolutional Network method–用于目标检测的基于区域的快速卷积网络算法。 在于先前的网络R-CNN对比之下，其训练速度要快9倍，检测时间快出来213倍（R-CNN的检测时间GPU工作下为47s一张图片），同时在检测精度上也作了进一步的提升。 一、任务简介 在介绍中，作者提出目标检测任务相比分类来说更为复杂和困难，首先计算机要处理众多的候选目标区域（也就是proposal
Fast R-CNN (2015.ICCV)阅读笔记
mw_mustwin的博客
10-28 1573
Fast R-CNN (2015.ICCV) Ross Girshick 一、摘要     这篇论文提出了一个fast R-CNN的方法，它基于先前的工作建立而来，能够有效地使用深度卷积网络来对object proposal方法进行分类。它采用了几个创新的地方，提高了训练速度，检测速度以及检测精度。训练：比RCNN快9倍，比SPPnet快3倍；测试：比R-CNN快213倍，比SPPnet快1
(一)Fast R-CNN论文理解---ICCV2015
chenbo的博客
01-04 645
Abstract 本文提出了一种基于快速区域的卷积网络方法（Fast R-CNN）用于目标检测。 快速R-CNN建立在先前的工作基础上，以使用深度卷积网络有效地对对象提议进行分类。与之前的工作相比，Fast R-CNN采用了多项创新来提高训练和测试速度，同时提高了检测精度。 快速R-CNN训练深VGG16网络比R-CNN快9倍，在测试时间快213倍，并在PASCAL VOC 2012上实现更高的m...
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...
【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！！
11-02 712
【深度学习基础】从R-CNN到Fast R-CNN，再到MaskR-CNN，发展历程讲清楚！
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
小白学视觉
03-04 2454
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达一、目标检测常见算法object detection，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。所以，object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体...
Fast R-CNN （2015）阅读笔记
LiuYY的博客
07-11 260
Fast R-CNN 原文链接 Fast R-CNN阅读笔记一、解决问题二、解决方法（一）结构和流程（二）具体细节1.ROI池化层2.使用预训练卷积初始化fast R-CNN网络3.微调（没有理解明白）4.损失函数（1）分类损失函数（2）位置回归损失函数5.奇异值分解（SVD）三、效果参考 一、解决问题 当前的方法采用多级流水线（卷积、SVM、位置回归都分别单独训练）的方式训练模型，既慢且精度不高...
R-CNN系列算法精讲：R-CNN —》Fast R-CNN —》Faster R-CNN 进阶之路
不积跬步，无以至千里！
05-15 1万+
【计算机视觉—目标检测篇】持续更新，R-CNN系列、SSD、YOLO系列等等。理论+实战，手把手教学，小白也可轻松上手！ ...
Faster R-CNN backbone - ResNet101.zip
07-03
Faster R-CNN 的基础网络，ckpt 文件
Girshick - 2015 - Fast r-cnn.pdf
12-09
Girshick - 2015 - Fast r-cnn.pdfGirshick - 2015
Fast R-CNN论文解读.md
02-10
本文从相关知识、主要贡献、模型结构、实验设计、模型评估五个方面解读了Fast R-CNN这一模型，本人新手，有不足之处还望大家指正。
Mask R-CNN问题.zip
12-02
使用Mask R-CNN C++ inference达到图像分割目的，可是这个写法有什么问题，导致与python或使用cv：：dnn的结果有点数据不一致。但存图肉眼看不出差别，可是输出数据却有差别？
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD。传统的目标检测算法、候选区域/窗 + 深度学习分类
使用R语言生成CDISC SDTM.AE domain
最新发布
Bowen_Wu的博客
06-12 677
使用R语言生成CDISC SDTM.AE domain
R语言数据探索和分析23-公共物品问卷分析
m0_62638421的博客
06-08 776
公共物品问卷分析
如何用R语言ggplot2画折线图
BingJH2018212666的博客
06-10 924
数据下载链接见文章顶部。
如何用R语言ggplot2画高水平期刊散点图
BingJH2018212666的博客
06-09 729
library(reshape2) # reshape2 包是 R 语言中的一个数据处理包，主要用于数据重塑（reshaping），提供了代码所需的 melt 函数。= 0,]data_melt$size = log(data_melt$production) # 构造 size 列用于表示散点大小，log 函数用于减少最大点和最小点的大小差异。
1. ARIMA 2. SARIMA 3. VAR 4. Auto-ARIMA 5. Auto-SARIMA 6. LSTM 7. GRU 8. RNN 9. CNN 10. MLP 11. DNN 12. MLP-LSTM 13. MLP-GRU 14. MLP-RNN 15. MLP-CNN 16. LSTM-ARIMA 17. LSTM-MLP 18. LSTM-CNN 19. GRU-ARIMA 20. GRU-MLP 21. GRU-CNN 22. RNN-ARIMA 23. RNN-MLP 24. RNN-CNN 25. CNN-ARIMA 26. CNN-MLP 27. CNN-LSTM 28. CNN-GRU 29. ARIMA-SVM 30. SARIMA-SVM 31. VAR-SVM 32. Auto-ARIMA-SVM 33. Auto-SARIMA-SVM 34. LSTM-SVM 35. GRU-SVM 36. RNN-SVM 37. CNN-SVM 38. MLP-SVM 39. LSTM-ARIMA-SVM 40. LSTM-MLP-SVM 41. LSTM-CNN-SVM 42. GRU-ARIMA-SVM 43. GRU-MLP-SVM 44. GRU-CNN-SVM 45. RNN-ARIMA-SVM 46. RNN-MLP-SVM 47. RNN-CNN-SVM 48. CNN-ARIMA-SVM 49. CNN-MLP-SVM 50. CNN-LSTM-SVM 51. CNN-GRU-SVM 52. ARIMA-RF 53. SARIMA-RF 54. VAR-RF 55. Auto-ARIMA-RF 56. Auto-SARIMA-RF 57. LSTM-RF 58. GRU-RF 59. RNN-RF 60. CNN-RF 61. MLP-RF 62. LSTM-ARIMA-RF 63. LSTM-MLP-RF 64. LSTM-CNN-RF 65. GRU-ARIMA-RF 66. GRU-MLP-RF 67. GRU-CNN-RF 68. RNN-ARIMA-RF 69. RNN-MLP-RF 70. RNN-CNN-RF 71. CNN-ARIMA-RF 72. CNN-MLP-RF 73. CNN-LSTM-RF 74. CNN-GRU-RF 75. ARIMA-XGBoost 76. SARIMA-XGBoost 77. VAR-XGBoost 78. Auto-ARIMA-XGBoost 79. Auto-SARIMA-XGBoost 80. LSTM-XGBoost 81. GRU-XGBoost 82. RNN-XGBoost 83. CNN-XGBoost 84. MLP-XGBoost 85. LSTM-ARIMA-XGBoost 86. LSTM-MLP-XGBoost 87. LSTM-CNN-XGBoost 88. GRU-ARIMA-XGBoost 89. GRU-MLP-XGBoost 90. GRU-CNN-XGBoost 91. RNN-ARIMA-XGBoost 92. RNN-MLP-XGBoost 93. RNN-CNN-XGBoost 94. CNN-ARIMA-XGBoost 95. CNN-MLP-XGBoost 96. CNN-LSTM-XGBoost 97. CNN-GRU-XGBoost 98. ARIMA-ANN 99. SARIMA-ANN 100. VAR-ANN 上面这些缩写模型的全称及相关用途功能详细解释
07-15
9. CNN (Convolutional Neural Network): 卷积神经网络，主要用于图像处理，但也可以用于时间序列数据的预测，特别擅长局部模式的识别。 10. MLP (Multi-Layer Perceptron): 多层感知机，一种前馈神经网络模型，...

“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
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