【目标检测】R-CNN学习笔记

最新推荐文章于 2024-04-21 15:46:09 发布
最新推荐文章于 2024-04-21 15:46:09 发布
阅读量205 收藏
点赞数
分类专栏： 目标检测
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_33952811/article/details/103366132
版权

背景

  • 简单的说，目标检测就是将图像中的物体进行定位然后识别。
  • 在R-CNN之前，过去的十年间，目标识别任务主要建立在对HOG和SIFT等特征描述子的使用（OpenCV中也有相关的算法API可直接调用）
  • 2012年AlexNet的出现使得CNN开始逆袭人生并不断发展，相关有VGG、GoogLeNet、ResNet等，OverFeat是AlexNet的衍生，用于目标检测，但是效果不佳
  • ImageNet上的CNN分类结果，应用到PASCAL VOC挑战的物体检测任务上需要做到什么程度，是一个问题。

在这里插入图片描述

目标定位和识别

  • 通过连接图像分类和目标检测来解决背景写到的第四个问题

  • 使用深度网络定位物体和在小规模的标注数据集上进行大型网络模型的训练。与图像分类不同的是检测需要定位一个图像内的许多物体。一个方法是将框定位看做是回归问题，但Szegedy等人的工作说明这种策略并没啥效果

  • 滑动窗口探测器，R-CNN论文中提到，通过这种方法使用CNNs至少已经有20年的时间了，通常用于一些特定的种类如人脸，行人等，但是由于网络层次更深，输入图片有非常大的感受野（195×195）和步长（32×32），这使得采用滑动窗口的方法充满挑战，遂放弃使用这种方法。

  • 借鉴滑动窗口思想，提出recognition using regions的观点，模型为：区域推荐+特征提取
    在这里插入图片描述

  • 识别的具体流程（如上图所示）：
    1.给定一张输入图片，从图片中提取 2000 个类别独立的推荐区域(region proposals)
    2.对于每个区域利用 CNN 抽取一个固定长度的特征向量
    3.对每个区域利用 线性SVM 进行分类

  • 推荐区域(region proposals)的提取方法有很多：objectness、selective search、category-independen object proposals、constrained parametric min-cuts(CPMC)、multi-scale combinatorial grouping、以及Ciresan等人的方法。
    而R-CNN选用的是第二种，选择性搜索（selective search）

  • 特征抽取，R-CNN在特征提取时候，无论多少大小尺寸的图片，均统一化为227x227，这是为了与AlexNet保持兼容，变换的时候，会进行加框处理，在box周围加上固定大小的像素

训练

  • 论文中提到一个重点，由于训练数据比较少，故采用有监督的预训练作为辅助工作，然后进行特定的调优处理，使得效果大大上升
  • R-CNN 采取迁移学习，提取在 ILSVRC 2012 的模型和权重进行预训练CNN，CNN十分接近krizhevsky等人的网络的性能
  • 使用变形后的推荐区域对CNN参数进行SGD训练，替换掉了ImageNet专用的1000-way分类层，换成了一个随机初始化的21-way分类层（20类别数+1背景），而卷积部分都没有改变
  • R-CNN 将推荐区域与 GroundTrue 中的 box 标签相比较，如果 IoU > 0.5，说明两个对象重叠的位置比较多，于是就可以认为这个推荐区域是 Positive，否则就是 Negetive
  • 训练策略：采用随机梯度下降算法（SGD）训练，初始学习率为 0.001，mini-batch 大小为 128

识别

  • 采用IoU，阈值取0.3，如果一个区域与Ground-truth的IoU值低于设定的阈值，那么可以讲它看成是Negetive,否则是Positive
  • 阈值很重要，如果设置为0.5，可以降低mAP5个点，设置为0，就会降低4个点
    在这里插入图片描述

笔记总结

  • R-CNN是在推荐区域上，自下而上使用大型卷积神经网络(CNNs)，用以定位和分割物体
  • 采用 Selective Search 技术生成推荐区域，使用的是AlexNet网络
  • 在 ImageNet 上先进行预训练，然后进行 fine-tune(迁移学习)，优化了效率问题，效果更好
  • 用 CNN 抽取特征，然后用一系列的的 SVM 做类别预测
  • bbox 位置回归基于 DPM 的灵感，自己训练了一个线性回归模型
  • 区域分类技术是语义分割的标准做法，所以 R-CNN 也可以做语义分割
  • Bbox 的值其实就是物体方框的位置，预测它就是回归问题
  • 神经网络最神奇的力量主要来自卷积层，甚至去除了全连接影响也不会太大

论文：《Rich feature hierarchies for accurate object detection and semantic segmentation》
论文翻译：https://blog.csdn.net/v1_vivian/article/details/78599229
参考资料：https://blog.csdn.net/briblue/article/details/82012575 思路很清晰，值得学习

小风_
关注
专栏目录
目标检测R-CNN论文学习
Nancy_Yin的博客
11-11 298
**Rich feature hierarchies for accurate object detection and segmentation ** 这篇文章是由美国伯克利大学Ross Girshick等人提出的，主要是基于CNN所提出一种可以将大量的CNN应用于自下而上的region proposals，目的是方便对对象进行定位和分割；其次，当训练标注数据不足时，对于辅助任务的监督预训练并在...
【深度学习】R-CNN 论文解读及个人理解
热门推荐
frank 的专栏
08-24 22万+
背景 本篇论文的题目是 《Rich feature hierarchies for accurate oject detection and semantic segmentation》，翻译过来就是针对高准确度的目标检测与语义分割的多特征层级，通俗地来讲就是一个用来做目标检测和语义分割的神经网络。 本文作者：Ross Girshick，JeffDonahue,TrevorDarrell,Ji...
目标检测CNN经典网络（一）R-CNN
CloudCver
05-06 1540
在早期计算机视觉研究时，人们很好的将CNN应用在目标分类的问题中，但是一直不能很好的解决目标检测的问题，目标检测不仅要分析出其是什么东西，而且还要回归出其位置。这是其在CNN训练的痛点。为此出现了R-CNN网络。
深度学习笔记（一）——目标检测R-CNN简介
拨雪寻春，烧灯续昼
12-22 3339
目标检测概念 目标检测在应用中关注的是图片中特定目标物体的位置和目标的对象类别。一个检测任务包括两个子任务： 输出对象目标的类别信息——属于分类任务 输出目标的具体位置信息——属于定位任务 对于目标检测，分类的结果是一个类别标签。对于单个分类任务而言，它是一个整数，表示某一个类别，对于多分类任务，他是一个向量。换一句话说，分类检测的结果是一个结果表示最终输出，区别在于结果是单一数还是向量。在检测任务中输出的是一个列表，表示其中的每一项都会给出检测目标的类别和位置。类别指分类的标签，往往是一个字符串形式。
R-CNN、Fast R-CNN、Faster R-CNN学习笔记
weixin_45897172的博客
03-09 564
R-CNN、Fast R-CNN、Faster R-CNN学习笔记
目标检测论文阅读：Grid R-CNN算法笔记
qq_43631268的博客
01-02 536
这篇文章提出了一种非常新颖的、利用网格引导定位机制的目标检测框架，命名为Grid R-CNN。不同于传统的基于回归的方法，Grid R-CNN会使用位置敏感的全卷积结构来捕获空间信息。本文用多个网格点共同监督的方式来减少只用两个点定位（bbox的左上角和右下角）带来的预测误差影响。本文提出了一种两阶段的信息融合方式，将相邻网格点的特征图进行融合来充分利用网格点的相关信息。这种网格引导定位的方法可以很方便地嵌入到不同的主流目标检测模型中。实验证明，Grid R-CNN可以实现高质量的目标定位。
目标检测论文阅读：Cascade R-CNN算法笔记
qq_43631268的博客
01-03 650
在目标检测中，需要使用IoU阈值来区分正负样本。一个使用低IoU阈值（比如0.5）训练的目标检测器，往往会产生噪声检测结果。但是，增加IoU阈值往往又会导致检测性能下降。这主要是由于两个原因：①在训练过程中，正样本数目呈指数级减少而导致过拟合；②推理过程中，训练检测器时的IoU和预测结果时的IoU不匹配（mismatch，这一点后面会具体解释）。针对这些问题，本文提出了一种多阶段目标检测结构Cascade R-CNN。
Fast R-CNN、Faster R-CNN学习笔记
Killer_kali的博客
03-07 892
Fast R-CNN and Faster R-CNN 文章目录Fast R-CNN and Faster R-CNN(一)Fast R-CNN一.Fast R-CNN概述1.回忆RCNN和SPPnet2.Fast-RCNN的主要优点二.Fast R-CNN算法结构和训练策略1.ROI pooling2.改用softmax3.Fine-tuning实现端到端的雏形4.多任务损失三.总结(二)Faster R-CNN一.Faster R-CNN的训练过程二.RPN结构（重点）1.RPN前向传播2.anchor
目标检测 - R-CNN、Fast R-CNN、Faster R-CNN
qq_45493596的博客
05-24 1148
万字详细总结目标检测中的R-CNN、Fast R-CNN、Faster R-CNN
目标检测 Faster-R-CNN论文笔记
FlyDremever
05-11 1264
Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun （主要用于自己学习） 摘要： 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。例如SPPnet [1] 和Fast R-CNN [2] 等算法，虽然缩短了检测网络的运行时间，但是也暴露出区域建议方法的计算瓶颈。在本文的工作中，引入了一个区
域适应目标检测：DA Faster R-CNN论文笔记——Domain Adaptive Faster R-CNN for Object Detection in the Wild
qq_50001789的博客
06-24 1394
论文题目：《Domain Adaptive Faster R-CNN for Object Detection in the Wild》 本文提出了一种有效解决跨域目标检测问题的域适应Faster R-CNN算法，可以实现在不使用任何附加标记数据的情况下获得新领域鲁棒性的检测器。作者在对跨域目标检测理论分析的基础上，提出了一个图像级自适应组件和实例级自适应组件来缓解由域偏移引起的模型性能下降的问题
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
2301_78398209的博客
04-19 1067
有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。换言之，这个网络层可以把不同大小的输入映射到一个固定尺度的特征向量，而我们知道，conv、pooling、relu等操作都不需要固定size的输入，因此，在原始图片上执行这些操作后，虽然输入图片size不同导致得到的feature map尺寸也不同，不能直接接到一个全连接层进行分类，但是可以加入这个神奇的ROI Pooling层，对每个region都提取一个固定维度的特征表示，再通过正常的softmax进行类型识别。
目标检测学习笔记（三）：Fast R-CNN
懿翛簃
08-28 569
原文参考：Fast R-CNN Fast R-CNN 是2015年 Ross Girshick 提出的目标检测优化模型，这个模型是建立在 R-CNN 和 SPPnet 模型的基础上进行改进的，实现了在训练及测试速率上都达到了很大程度上的优化。 首先，R-CNN 本身具有一些问题： R-CNN 是一种多步骤训练的模型（Multi-stage pipeline），先通过卷积网络对每一个输入的 obj...
目标检测（二）—— R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN
qq_38622495的博客
09-06 2775
R-CNN 区域卷积神经网络（Regions with CNN features，简称 R-CNN）使用深度模型来解决物体识别。 具体步骤： Sective Search 。对每张输入图像使用选择性搜索来选取多个高质量的提议区域。 Resize。对每个提议区域，将其变形成卷积神经网络需要的输入尺寸。 特征抽取。选取一个预先训练好的卷积神经网络，去掉最后的输出层来作为特征抽取模块。 ...
【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
04-21 833
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）
基于ssm的二手车交易网站设计与实现.docx
09-17
基于ssm的二手车交易网站设计与实现.docx
zotero 6 插件,包含茉莉花、DOI、绿青蛙、sci-hub等11个常用插件
09-17
zotero 6 插件，茉莉花、DOI、绿青蛙、sci-hub、Better notes、GPT、IF、PDF翻译、Style、TAG、影响因子
linux_命令_tail_的升级版，可使用_tails_同时跟踪多个文件并格式化输出成更方便查看的_tails.zip
最新发布
09-17
linux_命令_tail_的升级版，可使用_tails_同时跟踪多个文件并格式化输出成更方便查看的_tails
基于ssm的房屋出租出售系统设计与实现.docx
09-17
基于ssm的房屋出租出售系统设计与实现.docx
深度学习目标检测：R-CNN与YOLO算法解析
这篇笔记涵盖了目标检测的重要发展历程，从传统的滑动窗口到深度学习的区域提名和端到端方法，深入分析了R-CNN系列和YOLO系列的优缺点，对于理解和研究目标检测算法具有很高的价值。随着技术的持续进步，未来的目标...
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

小风_

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