Region Based CNN 系列之——(2) Fast-RCNN思路及其基础整理

最新推荐文章于 2021-12-21 17:46:16 发布
最新推荐文章于 2021-12-21 17:46:16 发布
阅读量575 收藏 1
点赞数 1
分类专栏： 机器学习
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_34099953/article/details/89562062
版权

    以R-CNN思路及其基础整理和SPP-net为基础，我们便可以很好理解 Fast-RCNN。

一、整体结构

    Fast-RCNN的整体结构主要由这几部分组成：1.对输入图片用区域推荐算法获得2000个区域，并记录下框的坐标和索引；2.用卷积神经网络对图片进行特征提取，并且将框同样映射到特征空间(也就是对应到特征图上应该在什么位置)；3.将卷积神经网络的最后一层pool层替换为RoI_Pooling层，获得固定尺寸的特征向量；4.对这个固定尺寸的特征向量后面添加两组全连接层，一组尺寸为21，用于分类；另一组尺寸为84，用于对框进行回归。

二、RoI_Pooling_layer

    RoI_Pooling的作用与SPP-Net有着相同的作用，只不过操作步骤有一点不同。SPP—Net是用不同尺度的金字塔将原特征分割为（1x1,2x2,4x4...）等，但是RoI_Pooling并不将特征这样分割。假设我们RoI_Pooling的输入尺寸是w*h，而输出尺寸想要是W*H,那么就需要把特征分割为[\frac{w}{W},\frac{h}{H}]份，其中每一份都用max_pooling来提取最大特征，因此输出就变成了固定尺寸[W,H]。（等看完代码再补充：如果[\frac{w}{W},\frac{h}{H}]不是整数，应该向上舍入还是向下舍入？不平均分配应该怎么做？）

三、softmax分类与边框回归

    1、一般来讲，特征经过卷积层（或者全连接层）之后，输出的数有正有负，而且大小也不固定（并不是0~1或者-1~1之间），这也就是为什么每一层卷积层后面都要加一个激活函数将输出归一化。在这里，最后一层的全连接层输出后，再经过一个形如下图的sigmoid函数，将所谓的得分归一化为（0,1）之间。

      

        softmax分类器，其实就是将得分再转化为概率，也就是说某个框分类为每个类别的概率在（0,1）之间，并且所有概率之和为1，这也符合我们对概率的认知。转化公式为：P_{i,j}=e^{y_{j}}/\sum_{k=1}^{k=K}e^{y_{k}}，其中，P_{i,j}为第i个框分类为第j列的概率（j\epsilon (1-K)）,K为所有的类别。

    2、边框回归，与RCNN一样。

四、损失函数

    整个网络的损失函数有两个：分类的损失函数和框回归的损失函数。

1、分类的损失函数：

 

    如果对分类的损失或者交叉熵不太理解的，可以参见我的另外一篇博客：从熵、相对熵、交叉熵到机器学习的交叉熵损失与softmax损失函数。

2. 框回归的损失函数：

五、SVD分解改进全连接层

    我们知道，因为全连接层的参数量很大，并且在整个网络中，由于前面的卷积层对整张图片只有一次前向传输计算，而全连接层要对2000个RoI中的每一个都要进行计算，因此其计算量占据了整个网络的大部分，因此作者在这里用SVD分解，将特征向量进行降维，来加速运算。具体降维原理可以参考：https://www.cnblogs.com/pinard/p/6251584.html。

相对RCNN的改进：

1、卷积不再是对2000个region proposal中的每一个进行，而是直接对整张图像，这样减少了很多重复计算。

2、用ROI pooling进行特征的尺寸变换，因为全连接层的输入要求尺寸大小一样，因此不能直接把region proposal作为输入。

3、将regressor放进网络一起训练，每个类别对应一个regressor，同时用softmax代替原来的SVM分类器。

CQ_Liu
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Region-based CNN(简称R-CNN)
qq_25178609的博客
03-08 7162
目前最先进的detection方法应该是Region-based CNN(简称R-CNN)【1】，是由Jeff Donahue和Ross Girshick提出的。R-CNN的具体想法是，将detection分为寻找object和识别object两个过程。在第一步寻找object，可以利用很多region detection算法，譬如selective search，CPMC，objectnes
基于区域的CNN（R-CNN）
吴建明wujianming_110117
06-30 684
基于区域的CNN（R-CNN） Region-based CNNs (R-CNNs) 基于区域的卷积神经网络或具有CNN特征的区域（R-CNN）是一种将深度模型应用于目标检测的开创性方法。在本节中，将讨论R-CNN及其一系列改进：Fast R-CNN[Girshick，2015]、Faster R-CNN和Mask R-CNN。由于篇幅的限制，将把讨论局限于这些模型的设计上。 R-CNNs R-CNN模型首先从一幅图像中选择几个建议的区域（例如，锚框是一种选择方法），然后标记类别和边界框（例如偏移量）。
Region Based CNN 系列之——(1) R-CNN思路及其基础整理
机器学习_成长之路
04-25 489
现在对于从RCNN到FRCNN的论文已经有了很多优秀的博客来介绍，因此在这里，我只简单写一些思路性的东西，以及为了理解所加入的一些基础知识。 一、RCNN的整体结构 如上图所示，RCNN的整体结构其实相对比较简单，首先为输入图像（可以是任意尺寸），其次通过Region Proposal 获取到约2000个候选区域，然后将这2000个候选区域直接resize成固定大小...
Fast R-CNN: Fast Region-based Convolutional Networks for object detection(阅读)
深藏功与名
10-11 2852
论文出处见：http://arxiv.org/abs/1504.08083 项目见：https://github.com/rbgirshick/fast-rcnn 看名字就知道速度比R-CNN快。 论文整体实验流程如下图 以AlexNet（5个卷积和3个全连接）为例，大致的训练过程可以理解为： selective search在一张图片中得到约2000个objec
R-CNN:Region-based convolutional networks for accurate object detection and segmentation阅读笔记
mw_mustwin的博客
10-27 3972
Region-based convolutionalnetworks for accurate object detection and segmentation(2016.PAMI) Ross Girshick, Jeff Donahue, TrevorDarrell, Jitendra Malik 一、摘要         目标检测最近这几年在PASCAL VOC挑战赛上的表现达到相对稳
经典深度学习论文 rcnn fast-rcnn faster-rcnn mask -rcnn yolo系类 DOTA
04-13
1. **RCNN（Region-based Convolutional Neural Networks）**：2014年，Ross Girshick等人提出了RCNN，它是第一个将卷积神经网络（CNN）引入到物体检测中的方法。RCNN首先通过Selective Search等方法生成候选区域，...
Faster R-CNN backbone - ResNet101.zip
07-03
Faster R-CNN是目标检测领域的里程碑式工作，由Shaoqing Ren、Kaiming He、Ross Girshick和Jian Sun在2015年提出，旨在解决R-CNN（Region-based Convolutional Neural Networks）和Fast R-CNN的效率问题。...
rcnn+fastRcnn+fasterRcnn目标检测matlab代码及经典文章
07-07
在这个领域，有三个里程碑式的工作——RCNN（Region-based Convolutional Neural Networks）、Fast R-CNN和Faster R-CNN，它们极大地推动了深度学习在目标检测上的发展。下面将详细介绍这三个算法及其在Matlab中的...
目标检测RCNN论文原文.rar
09-01
即“丰富的特征层次用于精确的目标检测和语义分割”，是2014年由Ross Girshick等人提出的一种里程碑式的目标检测算法——区域卷积神经网络（Region-based Convolutional Neural Network，简称RCNN）。这篇论文开创了...
TF-Object-Detection-Notebook:具有用于RCNN，MobileNetV2和ResNet的TensorFlow API的对象检测笔记本
04-17
首先，让我们了解一下**RCNN（Region-based Convolutional Neural Networks）**。RCNN是2014年提出的一种两阶段物体检测方法。第一阶段，它使用Selective Search等方法生成图像中可能包含物体的区域提议；第二阶段，...
Fast Region-based Convolutional Network method (Fast R-CNN)
09-13
学校下载的 Fast Region-based Convolutional Network method (Fast R-CNN)论文，赚点C币下载其他东西. #printf("thank you for downloading")
（八）计算机视觉 -- 6 区域卷积神经网络（R-CNN）系列
FionaDong的博客
11-15 2227
6. 区域卷积神经网络（R-CNN）系列 区域卷积神经网络（region-based CNN / regions with CNN features，R-CNN）是将深度模型应用于目标检测的开创性工作之一。 本节将介绍R-CNN和它的一系列改进方法（模型设计思路）： 快速的R-CNN（Fast R-CNN）、更快的R-CNN（Faster R-CNN）以及掩码R-CNN（Mask R-CNN）。 6.1 R-CNN R-CNN首先对图像选取若干提议区域（如锚框也是一种选取方法）并标注它们的类别和边界框（如
RCNN（Region-based Convolutional Neural Networks）
wrk226的博客
12-21 589
解决了多物体识别和定位的问题，问题在于不是end to end，而且太慢。 流程： 1.选取一个训练好的CNN分类器作为基础模型 2.使用selective search(就是将图像中的像素按照纹理和颜色做聚类)预选出2000个预选框，然后将预选框中的内容裁剪下来，resize后作为模型的输入 3.抽取模型第5个pooling的输出作为图像特征 4.将图像特征输入SVM二分类器，用于分类 5.对于...
Region Based CNN 系列之——(3) Faster-RCNN思路及其基础整理
机器学习_成长之路
05-05 386
基于之前两篇博客对RCNN和Fast-RCNN的介绍，现在来理解Faster-RCNN就会觉着很简单。因为Faster-RCNN就是在Faste-RCNN的基础上，做了一些改进。 一、整体结构 整个网络由两个模块组成，第一个是RPN（Region Proposal Network），代替之前用传统方法（如Selective Search）进行Region Proposal的...
【论文笔记】Region-based Convolutional Networks for Accurate Object Detection and Segmentation
确定有穷自动机
02-14 5345
《Region-based Convolutional Networks for Accurate Object Detection and Segmentation》是将卷积神经网络应用于物体检测的一篇经典文章。 整个识别过程可以用下面的一张图片来清晰的表示： 首先给定一张输入图像，采用selective search产生区域提名，因为区域提名的长宽比例不一样，将提取出的区域缩放为固定的大小
[论文理解]Region-Based Convolutional Networks for Accurate Object Detection and Segmentation
weixin_30793643的博客
11-21 343
Region-Based Convolutional Networks for Accurate Object Detection and Segmentation 概括 这是一篇2016年的目标检测的文章，也是一篇比较经典的目标检测的文章。作者介绍到，现在表现最好的方法非常的复杂，而本文的方法，简单又容易理解，并且不需要大量的训练集。 文章的大致脉络如图。 产生region prop...
论文浏览(25) Region-based Non-local Operation for Video Classification
清欢
07-22 572
文章目录0. 前言1. 要解决什么问题2. 用了什么方法3. 效果如何4. 还存在什么问题 0. 前言 相关资料： arxiv github 论文解读 论文基本信息 领域：行为识别（视频分类） 作者单位：约克大学 发表时间：2020.7 1. 要解决什么问题 CNN本身存在问题。 使用CNN处理问题是，感受野被限制在kernel里。 多层CNN的感受野也都是同一个形状。 上面描述的情况与现实场景非常不一样。 用原文里的话说，要获取 long-range dependencies 都是
R-CNN（Region-CNN）、Fast R-CNN、Faster R-CNN学习笔记
biubiusion的博客
05-16 1067
R-CNN 是伴随着目标检测技术提出的一种模型； 目标检测要解决的问题是：找出物体的位置、判断是什么物体； 目标检测算法分为3类： 传统的目标检测算法，如 HOG+SVM 等； 候选区域+深度学习分类算法，如 R-CNN、Fast R-CNN 等； 基于深度学习的回归方法，如 YOLO、SSD 等。 传统目标检测算法存在的问题： 滑动窗口的区域选择没有针对性，时间的复杂度高，窗口冗余量大； 手工设计的特征对于多样性的变化没有很好的鲁棒性。 为了优化上述问题，提出了 R-CNN：预先找到目标
TIP-Localizing Region-Based Active Contours(2008)阅读笔记
过河小马的专栏
08-26 1081
主要思想提出一个很自然的框架，让任何基于区域的分割能量可以被重新以局部的方式表示。用局部的信息驱动水平集轮廓的演化。好处：对于异质的目标，全局的方法分割不出来，本文提出的局部的方法却可以。1. 背景 基于区域的模型优势：对初始化曲线位置鲁棒，对图像噪声不敏感 劣势：对异质的目标分割不出来（基于全局的统计信息无法区分开要分割的目标） In the present work, we make three
R-CNN、Fast-RCNN 和 Faster-RCNN 三者的区别是什么?
最新发布
06-02
1. R-CNN：R-CNN（Region-based Convolutional Neural Networks）是目标检测的第一代算法，其基本思路是先使用选择性搜索（Selective Search）生成候选框（Region Proposal），再对每个候选框进行卷积神经网络（CNN...
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