R-CNN（Region-based Convolutional Neural Network）论文解读

最新推荐文章于 2021-06-28 22:50:46 发布
最新推荐文章于 2021-06-28 22:50:46 发布
阅读量2.9k 收藏 21
点赞数 2
分类专栏： 论文查看 文章标签： 人工智能 计算机视觉 目标检测 R-CNN
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_38273984/article/details/90169847
版权

R-CNN论文解读

一、预备知识

（一）目标检测

目标检测是指：
给定一个图像，找到其中的目标，找到它们的位置，并且对目标进行分类。目标检测模型通常是在一组固定的类上进行训练的，所以模型只能定位和分类图像中的那些类。此外，目标的位置通常是边界矩阵的形式。所以，目标检测需要涉及图像中目标的位置信息和对目标进行分类。

  • 图像分类 VS 图像定位 VS 目标检测 VS 实例分割
    在这里插入图片描述

（二）IoU

IoU 的全称为交并比（Intersection over Union），IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。

  • Ground Truth
    在这里插入图片描述
  • 预测结果（Bounding Boxes）
    在这里插入图片描述
  • IoU计算
    在这里插入图片描述
    在这里插入图片描述

（三）mAP

mAP(Mean Average Precision)均值平均精度对于评估模型定位性能、目标监测模型性能和分割模型性能都是有用的。

  • 选择mAP的原因
    目标检测问题中的模型的分类和定位都需要进行评估，每个图像都可能具有不同类别的不同目标，因此，在图像分类问题中所使用的标准度量不能直接应用于目标检测问题。

mAP计算过程
1、 导入数据集
对于数据集中的每一张图片，我们都有其相应的Ground Truth数据，即已知每张图片的真实信息。
2、计算当前图片中每个检测框的IoU
根据提前设定的阈值，若IoU>阈值，则认为这是一个真实的检测（True Detection）；反之，则是一次错误的检测（False Detection）。找到类C的真实检测，整理得到：

  • 该图中类C的正确检测次数（A）
    依据的是IoU与阈值的大小之比
  • 图片中类C的实际个数（B）
    依据的是Ground Truth

3、计算当前图片中类C精度
P r e c e s i o n C = N ( T r u e D e t e c t i o n s ) C N ( T o t a l O b j e c t s ) C = A B Precesion_{C} = \frac{N(TrueDetections)_{C}}{N(TotalObjects)_{C}} = \frac{A}{B} PrecesionC​=N(TotalObjects)C​N(TrueDetec

最低0.47元/天 解锁文章
AlisaZqq
关注
  • 2
    点赞
  • 踩
  • 21
    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 7157
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
论文解读Convolution neural network for relation extraction
Lucky
03-18 1286
创新点： 为了实现特征向量的自动学习，以往的研究通常采用嵌入的词表示作为CNN的输入层。但这种方法忽略了词语的语义，把它们单独看成是独特的词语。这篇论文使用一种独特的代码来表示具有相同语义的单词，称为同义词编码。 提出了一种新的基于同义词编码的CNN结构，用于关系提取。 神经网络归纳为3个主要构建块: •输入层 •卷积层 •经典的神经网络层 首先我们来说输入层： 构建同义词列表： ...
论文笔记（NLP）——Convolutional Neural Networks for Sentence Classification
大太阳
05-22 286
摘要 本篇论文报告了一系列用预训练词向量上训练的CNN进行句子级分类任务的实验。展示了有少量参数调整和静态向量的简单的CNN在多个基准上达到了很好的效果。通过微调学习特定任务的向量能够进一步提高性能。另外本篇论文对结构进行简单的修改以允许使用特定任务和静态向量。本文讨论的CNN提高了7个任务中的4个技术，包括情感分析和问题分类。 ...
RCNN算法
Acmer_future_victor的博客
02-19 1396
Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更带领团队获得终身成就奖，如今供职于Facebook旗下的FAIR。 这篇文章思路简洁，在DPM方法多年平台期后，效果提高显著。包括本文在内的一系列目标检测算法：RCNN, Fast RCNN, Faster RCNN代表当下目标检测的...
深度学习论文阅读：Convolutional Neural Networks for Sentence Classification （TextCNN）
guangyacyb的博客
03-07 1691
这是一篇将CNN运用于句子分类的论文 摘要 We report on a series of experiments with convolutional neural networks (CNN) trained on top of pre-trained word vectors for sentence-level classification tasks. We show that ...
R-CNN:Region-based convolutional networks for accurate object detection and segmentation阅读笔记
mw_mustwin的博客
10-27 3971
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
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。...
R-CNN最新版本(V5)论文原文及中文翻译.rar
09-19
R-CNN（Region-based Convolutional Neural Networks）是由Ross Girshick等人在2014年提出的一种深度学习目标检测方法，它标志着从传统特征工程向深度学习转变的重要一步。本压缩包包含两份关键文件：RCNN论文翻译....
r-cnn系列论文以及ppt博客
09-30
在计算机视觉领域，R-CNN（Region-based Convolutional Neural Network）是一组具有里程碑意义的算法，它们在目标检测任务中表现出色。本资源包包含了关于R-CNN系列的论文和PPT博客，旨在深入理解这一系列算法的核心...
Faster R-CNN源码
12-27
它在R-CNN（Region-based Convolutional Neural Networks）的基础上进行了改进，显著提高了目标检测的速度，同时保持了较高的检测精度。在Faster R-CNN中，提出了区域提议网络（Region Proposal Network，RPN），将...
Faster R-CNN Towards Real-Time Object Detection with Region Proposal
10-14
Faster R-CNN全称为“快速区域卷积神经网络”，其核心思想是在R-CNN（Region-based Convolutional Neural Network）的基础上进行了重大改进，引入了区域提案网络（Region Proposal Network，RPN）。RPN能够同时预测...
论文《Convolutional Neural Networks for Sentence Classification》总结
rxt2012kc的博客
06-26 1万+
《Convolutional Neural Networks for Sentence Classification》论文来源： Kim Y. Convolutional neural networks for sentence classification[J]. arXiv preprint arXiv:1408.5882, 2014.1.Introduction 在Introduction部分
论文总结（1）：卷积神经网络研究综述（Review of Convolutional Neural Network）— （周飞燕）
GG的博客
12-27 2192
1.论文主干为：卷积神经网络的发展历史、神经元模型、多层感知机的结构、卷积神经网络的结构（卷积层、取样层、全连接层）、网中网结构、空间变换网络（改进的卷积神经网络）、卷积神经网络的监督学习、无监督学习训练方法、常用的开源工具。 2.发展历史（人工神经网络）： MP模型（心理学家 McCulloch ，数理逻辑学家 Pitts、1943年）>单层感知器模型（Rosenblatt、50 年代末、60 年 代初）>反向传播网络（Back Propagation Network）（Rumel..
[DeeplearningAI笔记]卷积神经网络3.10候选区域region proposals与R-CNN
遗世独立的乌托邦
08-14 1185
4.3目标检测 觉得有用的话,欢迎一起讨论相互学习~Follow Me 3.10 region proposals候选区域与R-CNN 基于滑动窗口的目标检测算法将原始图片分割成小的样本图片，并传入分类器进行检测。 基于卷积神经网络的滑动窗口目标检测方法把原始图像分割成小的网格，并分别在网格中检测是否有目标对象。 有人提出在基于普通滑动的目标检测方法中有很多小的样本图片中是空的是没...
基于区域的CNN（R-CNN）
吴建明wujianming_110117
06-30 683
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）。
深度学习笔记（2）——卷积神经网络（Convolutional Neural Network）
迷川浩浩的博客
04-05 1万+
卷积神经网络（Convolutional Neural Network, CNN）是深度学习转折的标志性成果，在深度学习的早期，以Hinton等为代表的学者们研究主要集中在RBM（限制波尔兹曼机），AE（自编码器）等传统的全连接神经网络框架上，这个时期虽然出现了很多无监督、优化函数改进之类的研究，使得传统的神经网络层数有所增加，但是终究没有脱离全连接神经网络框架的约束，以至于最终网络可训练的参数量还
【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...
R-CNN论文详解（论文翻译）
Cheese的博客
05-08 10万+
faster-rcnn在深度学习领域算是一篇开创性的论文，对后续产生的而网络有很重要的意义，认真读懂这篇论文，相信也算是深度学习入门了 。今天又重新读了读faster-rcnn,整理了一份阅读笔记，整理的过程使自己对整个深度学习又有了更深的理解。果然论文还是应该多读几遍才能理解的。
【论文通俗解读】Learning Convolution Neural Networks for Graphs
weixin_39052229的博客
06-28 235
文章目录一、论文概述二、思路三、方法讲解1. Node Sequence Selection2. Neighborhood Assembly3. Graph Normalization4. 方法总结四、效果展现五、总结与思考 论文链接：https://arxiv.org/pdf/1605.05273.pdf 代码链接：https://github.com/seiya-kumada/patchy-san/ 一、论文概述 该文于2016年在顶会ICML上发表。 随着深度学习的发展，神经网络在文本，图像等结构化
R-CNN、fast-R-CNN、faster-R-CNN、mask-R-CNN介绍
最新发布
03-01
R-CNN（Region-based Convolutional Neural Networks）是一种目标检测算法，它通过两个阶段来检测图像中的目标物体。首先，R-CNN使用选择性搜索（Selective Search）算法生成一系列候选区域，然后对每个候选区域进行...

“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