RCNN用到的SelectiveSearch的理解笔记

最新推荐文章于 2024-07-31 22:20:25 发布
最新推荐文章于 2024-07-31 22:20:25 发布
阅读量1.6w 收藏 31
点赞数 5
分类专栏： 深度学习 文章标签： 深度学习 算法 selective search
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/qq_28132591/article/details/73549560
版权
本文是关于Selective Search算法在深度学习物体识别中的应用理解笔记。该算法通过颜色、纹理等信息划分图像区域，减少计算量，解决了传统滑动窗口方法的效率问题。文章介绍了算法的思路、实现细节及待解决的问题，如层次关系、完全划分和速度优化。Selective Search通过区域聚合和多样化的相似度计算，确保了物体层次的完整性和计算效率。
摘要由CSDN通过智能技术生成

在学习RCNN的过程中，我是从Rich feature hierarchies for accurate object detection and semantic segmenta这篇论文开始，这个论文给出了用DeepLearning做物体识别的一个思路，就是用selectivesearch之类的算法，生成一系列候选区域，并通过与目标区域的重叠比例给出一个值，然后进行训练：

抱着知其然也知其所以然的思路，我又找到slective search的论文：Selective Search for Object Recognition

记录一下论文阅读笔记：

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

思路

最低0.47元/天 解锁文章
GnBenjamin
关注
专栏目录
R-CNN之selective search选择搜索原理及实现
shuijinghua的博客
06-05 2983
selective search 属于传统机器学习方法 在Faster R-CNN中被RPN所取代 在目标检测时，为了定位到目标的具体位置，通常会把图像分成许多子块，然后把子块作为输入，送到目标识别的模型中。分子块的最直接方法叫滑动窗口法。滑动窗口的方法就是按照子块的大小在整幅图像上穷举所有子图像块。这种方法产生的数据量非常大，复杂度太高，产生了很多的冗余候选区域，在现实当中不可行，选择性搜索...
Faster-RCNN·代码解读系列01：Selective Search 和 R-CNN、Fast-CNN 简介
小李的研究生学习日记
07-06 686
首先需要一个已经训练好的分类器，然后把图像按照一定间隔和不同的大小分成若干窗口，在这些窗口上执行分类器，如果得到较高的分类分数，就认为是检测到了物体。把每个窗口都用分类器执行一遍之后，再对得到的分数做一些后处理如非极大值抑制(Non-Maximum Suppression, NMS)等，最后就得到了物体类别和对应区域，其方法示意图如图所示。滑窗法相当于对一张图像上的子区域进行类似穷举式的搜索， 一般情况下这种低效率搜索到的区域里大部分都是没有任何物体的。
正则化是什么？有哪些正则化的方法？
最新发布
LIN2020LOVEDA的博客
07-31 391
正则化
R-CNN之前的准备：Selective Search for Object Recognition
xbcReal的博客
07-24 1338
在阅读这篇博客之前，推荐先阅读关于讲解Efficient Graph-Based Image Segmentation 的这篇关于图像分割的博客，因为这个图像分割算法是selective search算法的一个重要的组成部分。     先说这个算法是用来干嘛的吧。这个算法的作用是给定一张图片，输出一系列的可能包含物体的矩形框，这些矩形框我们称之为检测建议(detection proposals)，
RCNN选择性搜索（Selective Search）
weixin_30824277的博客
11-04 508
RCNN选择性搜索（Selective Search） 基于： 1）图片大小 2）颜色 3）纹理 4）附件 算法一：分组分类算法 输入：（图层颜色）图片 输出：对象位置假设集L Obtain initial regions R = {r1,··· ,rn} using [13] Initialise similarity set S = 空集 fore...
selective search（RCNN使用的ROI提取方法）
sinat_35257860的博客
06-08 5229
安装selective search $ pip install selectivesearch 读取并显示图片 import matplotlib.pyplot as plt import matplotlib.patches as mpatches import selectivesearch from skimage import io # img = io.imread('/ho
目标检测RCNN系列的候选区选择算法——selective search（原理+Python实现）
macan的博客
12-14 4805
一直想总结下目标检测的一系列算法，分为两个主要路线，一个是从RCNN发展起来的两阶段算法，另一个是以YOLO发展的一阶段算法。本篇属于RCNN算法中重要的一部分，用来解决生成候选区域的问题，算是基础，也很重要，尽管该算法已经过时了，但是掌握其中的思想用来解决可以问题还是不错的。 简述 作用：在原图片上，以尽可能快和好地生成可能包含目标的候选块。换句话说，避免了穷举法的计算量大且无图像本身信息的缺点。 解决办法（大致思想）： selective search首先使用 Felzenswalb图像分割算法将图像
【Faster RCNN】Faster R-CNN笔记
OneCoder的博客
07-28 2094
论文理论笔记部分： rcnn是将每个proposal都放入到卷积层来进行计算，fast rcnn呢，则是将图片和proposal作为输入，并且proposal是为feature map的提取提供位置信息、为regression提供位置信息、以及在classification提供位置信息。在这里，faster rcnn的输入是一张图，提取到了共享的feature map后，将feature m...
CNN系列笔记（五）——Faster RCNN
qq_37764129的博客
08-16 2952
本文是继RCNN[1]，fast RCNN[2]之后，目标检测界的领军人物Ross Girshick团队在2015年的又一力作。简单网络目标检测速度达到17fps，在PASCAL VOC上准确率为59.9%；复杂网络达到5fps，准确率78.8%。作者在github上给出了基于matlab和python的源码。 一、基于Region Proposal（候选区域）的深度学习目标检测算法...
RCNN学习笔记(3):Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(SPP-net)
热门推荐
Focusing on your own Mind :) －> 站在巨人的肩膀上
04-22 3万+
CNN网络需要固定尺寸的图像输入，SPPNet将任意大小的图像池化生成固定长度的图像表示，提升R-CNN检测的速度24-102倍。 固定图像尺寸输入的问题，截取的区域未涵盖整个目标或者缩放带来图像的扭曲。事实上，CNN的卷积层不需要固定尺寸的图像，全连接层是需要固定大小输入的，因此提出了SPP层放到卷积层的后面，改进后的网络如下图所示： SPP是BOW的扩展，将图像从精细空间划分到粗糙
Selective search笔记
06-30
Selective search原理笔记
Selective Search for Object Recognition算法详解
08-03
Selective Search for Object Recognition论文中OpenCV2.4.13+VS2015完全实现版。作者对其中加入了大量代码注释，甚至每个变量的含义都解释得非常清晰。代码结构完整，可以让读者更好的理解Selective Search算法。可以完美运行，得到实验结果。代码中附带Graph-Based Image Segmentation论文中图像分割算法详解代码。便于学习理解这两篇论文中介绍的算法的主要思想和实现。
Python+OpenCV实现Selective Search算法
10-29
The code is a Python tutorial for Selective Search using OpenCV 3.3.
【DL学习笔记】【转】Faster RCNN原理分析（二）：Region Proposal Networks详解
刘培誉Sonia
10-08 177
转自：http://lib.csdn.net/article/deeplearning/61641 Region Proposal Networks是Faster RCNN出新提出来的proposal生成网络。其替代了之前RCNN和Fast RCNN中的selective search方法，将所有内容整合在一个网络中，大大提高了检测速度（语文水平差，所以历史科普请看其他文章T_T）。 缩...
selective_search
sinat_38998284的博客
07-14 367
import cv2 import selectivesearch import matplotlib.pyplot as plt import matplotlib.patches as mpatches import numpy as np #第二步：执行搜索工具,展示搜索结果 image2="images/test2.png" #用cv2读取图片 img = cv2.imread(ima...
物体检测(一）---selective search
大橙子的博客
11-06 1341
一、大格局上方法可分为两种 1、“先有鸡，后有蛋”，即是物体识别-------物体检测 物体识别的方法很多，可以自己训练model，如基于深度学习的CNN,基于机器学习的svm,通常来讲都是基于DL,这样不会丢失图像的结构信息。 对于物体检测，我们这种情况会采用++滑动窗口++的方法，遍历不同尺度下的整副图像，看那个图像块是目标图像。 是训练物体识别模型滑动窗口判断是不是目标物体记录窗口的x,y,...
selective search 算法
jjj的博客
03-09 309
.输入：图片输出：物体位置的可能结果L获取初始分割区域R={r1,r2,…,rn}计算R中两两相邻区域（ri,rj）之间的相似度，添加到相似度集合S中从S中找出，相似度最大的两个区域ri和rj，将其合并成为一个区域 rt，添加到区域集合R中。从s中除去原先与ri和rj相邻区域之间计算的相似度。添加新的rt与其相邻区域的相似度。迭代直至S为空...
Selective Search 算法
MT2048的博客
03-06 891
目标检测和图像分类 图像分类：识别图像中的目标。输入图片，输出图像中存在的目标类别，以及对应类别的概率。 目标检测：识别+定位图片中的目标。输入图片，输出图像中存在的目标类别，以及置信度，还输出边界框（x, y, width, height）表示目标在图片中的位置。 可见目标检测算法的核心之一也是图像分类。假设我们训练了一个图像分类模型，它可以识别图像中的目标，但是不知道目标的位置，要定位目...
《深入理解Linux内存管理》学习笔记与解析
"这篇学习笔记是对《深入理解LINUX内存管理》一书的个人学习记录，作者因中文版翻译质量不佳而选择阅读英文原版，并希望通过系统化学习加深对LINUX内核的理解，特别是内存管理方面的知识。笔记的撰写者正在开发一个...
评论 7
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