R-CNN论文精读笔记

已于 2023-03-10 18:56:30 修改
阅读量319 收藏
点赞数
分类专栏： 目标检测论文精读 文章标签： cnn 目标检测 深度学习
于 2022-10-29 22:55:34 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/qq_38836499/article/details/127593602
版权

R-CNN

Introduction

需要解决的两个问题

  • 如何使用神经网络解决定位问题
  • 如何使用少量数据训练大型的神经网络

目标定位问题

面对图像中目标定位的问题，有两种解决方法：

  • 一种是将定位问题视为回归问题，但这种方法效果不太好

  • 一种方法是使用滑动窗口进行检测，

    • 只能在度固定大小或比例的目标进行检测
    • 为了保持图像的高分辨率，往往只使用深度较小的CNN
    • 滑动的步长选择也是一大挑战（小时可能跳过目标，大时计算复杂）

本文的具体解决方法为

  • 为图像生成约2000个区域划分的建议
  • 对每个建议的区域使用CNN并最终得到一个特征向量
  • 对得到的特征向量使用支持向量机进行分类

其中对于区域划分得到的不同形状的图像使用简单仿射变换得到统一大小的图像

训练集问题

经典的解决方法是使用无监督学习对模型进行预训练，再使用监督学习进行微调

有关卷积及神经网络

文章中发现识别准确率不一定是来源于全连接层部分，因为他们发现即使在去除神经元的94%之后识别准确率只有很小的下降，也就是说，卷积层学习到了大部分特征。

同时作者指出，该方法也可以用于语义分割任务。

Object detection with R-CNN

文章中的识别系统依次包括：

  • 为图像生成类别独立的（应该理解为不同类别有不同大小的候选框？），这些候选区域框是后续用于目标检测的可选区域
  • 一个大型的卷积神经网络并为每个候选区域生成特定长度的特征向量
  • 对特征向量进行分类的支持向量机

模块设计

划分候选区域

其基本操作就是使用Felzenszwalb and Huttenlocher 算法得到图像的分割，随后根据颜色、纹理、大小、形状相似度对区域进行合并，合并后重新计算不同区域间的相似度并再次合并，直至没有区域可以进行合并，此时就得到候选区域（感觉有点像聚类，具体原理没有深究，论文里是一笔说了一句我们用了这个方法）

卷积神经网络部分

使用基于Caffe数据集得到的CNN输出一个4096维的特征向量，输入该CNN的是一张227x227的RGB图像，而对于输入图像的不同的大小，文章中使用了最简单的方法，就是直接将图像拉到227X227的大小

但是在扭曲之前，会将选取的区域扩大几个像素以避免损失边缘信息

SVM部分

将卷积神经网络输出的特征向量输入支持向量机并得到该区域在各个类别上的得分，并对每个得分区域应用NMS（非最大值抑制）对所得区域进行选择和抛弃

作者的分析

两种特征使得该目标检测方法是高效的

  • CNN中的卷积核部分是共享权重的，并且计算时是统一计算的
  • CNN输出的特征向量与其他方法相比，维度有所降低
  • 唯一的类别计算是在支持向量机和NMS中进行的，故对一张图像的分类是快速的

训练

  • 在Caffe数据集上进行了CNN的预训练，并且在ILSVRC 2012数据集上也进行了CNN的训练（该上数据集具有像素级别的类别标记，但是没有边界框标记）
  • 为使CNN适应新任务，使用经过拉伸后的区域划分得到的图像继续对CNN进行训练，其中使用的IOU的阈值设置为0.5（这个值的设定至关重要）
  • 由于在训练过程中，生成的框与标记的框的IoU值大于某个阈值时才被视作正样本，然而数据集中只会标记正确的样本（记作正样本），缺失负样本，所以在训练过程中如果出现某个生成的框中不包含所检测目标的话，将该框作为样本放进训练集中作为一个负样本

Visualization, ablation, and modes of errors

对所有候选划分区域计算激活值，并按照从大到小进行排序，同时运用NMS，最后输出激活值最高的区域，这种方法通过确定激活某特定单元的方法来输出使其激活的特征。

同时对全连接层逐层分析其表现，可以发现即使删除最后两个全连接层依然能够得到不错的效果，这表明大部分特征学习在卷积部分

作者对比得出了R-CNN好于这篇论文提出时所流行的任何模型，并且使用了论文D. Hoiem, Y. Chodpathumwan, and Q. Dai. Diagnosing error in object detectors. In ECCV. 2012.里的方法分析了他们的这样的模型为什么OK

Semantic segmentation

这部分作者介绍了R-CNN在语义分割上任务中的作用，看不懂这部分也感觉对我们的项目关联不大所以跳过。

Conclusion

作者在这部分里提到，当年目标检测的效果停滞不前，他觉得大伙方向错了然后他提出的方向是对的而且进行了实验，认为结合使用计算机视觉和深度学习里面的工具才能得到更好的效果

「已注销」
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Image-Segmentation-spanning-trees:Felzenszwalb和Huttenlocher在论文中描述了一种有效的基于图的图像分割算法，该算法使用基于图的图像分割来查找两个区域之间的边界的证据。
05-06
图像分割生成树 Felzenszwalb和Huttenlocher在论文中描述了一种有效的基于图的图像分割算法，该算法使用基于图的图像分割来查找两个区域之间的边界的证据。 在本文中，作者使用贪婪图算法对给定图像的相似部分进行分割。 作者的主要目标是保持详细程度，以便即使在更详细的图像中，该算法也可以产生可靠的分割结果。 该算法使用前一次迭代产生的分段来决定是否合并某些组件，并且将对每个边缘重复一次。 然后返回最终的分段。 图像用图形表示。 每个顶点表示一个像素，并且其边缘通过某种程度衡量所连接的像素/顶点的相异程度； 较大的边缘权重表示更多相似性。 每个顶点将连接到其相邻像素（大多数情况下为8个）。 该算法与查找最小生成树的Kruskal算法非常相似。 输入是具有n个顶点和m个边的图形G =（V，E）。 输出是将V分割为分量S =（C1，...，Cr）。 按不减权重对E进行排序 从
图像分割—基于图的图像分割（Graph-Based Image Segmentation）
热门推荐
Note of Transposition
07-21 4万+
Graph-Based Segmentation 是经典的图像分割算法，作者Felzenszwalb也是提出DPM算法的大牛。该算法是基于图的贪心聚类算法，实现简单，速度比较快，精度也还行。不过，目前直接用它做分割的应该比较少，毕竟是99年的跨世纪元老，但是很多算法用它作垫脚石，比如Object Propose的开山之作《Segmentation as Selective Search for Object Recognition》就用它来产生过分割（oversegmentation）。还有的语义分割(se
Faster RCNN详解
bingbingxie1的博客
03-17 2238
Selective Search: 主要包含两个内容：Hierarchical Grouping Algorithm、 Diversification Strategies Hierarchical Grouping Algorithm: 图像中区域特征比像素更具代表性，作者使用Felzenszwalb and Huttenlocher[1] 的方法产生图像初始区域，使用贪心算法对区域进行迭代分组...
论文精读：R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation...
qq_52053775的博客
05-22 1136
1.论文核心 我们提出了一种简单且可扩展的检测算法，相对于之前对VOC2012的最佳结果，它将平均平均精度(mAP)提高了30%以上——实现了53.3%的mAP。我们的方法结合了两个关键的见解：（1）可以应用高容量卷积神经网络(CNN)自底而上的地区建议为了定位和分段对象和 （2）标记训练数据稀缺，监督预训练辅助任务，其次是特定领域的微调，产生显著的性能提升。由于我们将区域建议与CNN结合起来，我们称我们的方法为R-CNN：具有CNN特征的区域。 2.主要内容 2.1 Abstract
目标检测子区域划分之Selective Search
gdc6916的博客
12-22 652
在Selective Search for Object Detection (C++ / Python)文中提到的五中解决办法: 在这几种算法中，Selective Search是最常用的，因为这种方式法的回召率最高。 那么问题来了： 1.回召率是什么？ 目标检测中召回率（Recall），精确率（Precision） 2.为什么选择回召率大的？ 按照文章中提到的观点， ...
【论文翻译】Fast R-CNN论文原文与中文翻译.rar
10-16
《Fast R-CNN：快速的目标检测》 Fast R-CNN是由Ross Girshick在2015年提出的，是目标检测领域的一个里程碑式的工作。它改进了先前的R-CNN（Regions with Convolutional Neural Networks）算法，显著提高了检测速度...
R-CNN和Fast R-CNN组内汇报PPT
03-12
本文档对R-CNN和Fast R-CNN的组内汇报进行了详细的介绍，涵盖了目标检测领域的发展、R-CNN的提出、Selective Search算法、R-CNN算法流程、Fast R-CNN的改进等方面。 随着人工智能和深度学习技术的发展，目标检测...
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。
R-CNN/Fast-R-CNN/Faster-R-CNN原始英文论文
03-26
这些论文是深度学习在目标检测应用中的关键进展，对后续的YOLO、Mask R-CNN等方法产生了深远影响。 1. R-CNN（2014）：全称为区域卷积神经网络，是深度学习应用于目标检测的开创性工作。它首先通过Selective Search...
Faster R-CNN backbone - ResNet101.zip
07-03
标题"Faster R-CNN backbone - ResNet101.zip"涉及的是计算机视觉领域的一个关键算法——Faster R-CNN（快速区域卷积神经网络），它使用ResNet101作为其基础特征提取网络。Faster R-CNN是目标检测领域的里程碑式工作...
计算机视觉目标检测之selective search算法
lan4_的博客
10-03 433
简单记录
selective search algorithms （选择性搜索算法）原理、C++/Python代码
Synioe的博客
01-02 1279
Object Detection vs. Object Recognition 目标识别算法识别图像中存在哪些对象。它将整个图像作为输入，并输出该图像中存在的对象的类标签和类概率。例如，类标签可以是“狗”，相关的类概率可以是97％。 另一方面，目标检测算法不仅得到图像中存在哪些对象，还输出边界框（x，y，宽度，高度）以指示图像内对象的位置。 所有目标检测算法的核心是目标识别算法。假设我们训练...
【两阶段目标检测】R-CNN论文精读与学习总结
syh的技术记录
02-15 1751
前段时间在读R-CNN，今天写个博客对论文的内容和自己的理解进行总结，方便以后回顾，以及与大家学习交流。所有的博客都是博主二次消化吸收的产物，难免包含主观和不准确之处。最好的学习资料还是一手论文！
R-CNN论文精读（论文翻译）
m0_50127633的博客
08-25 3388
文章目录摘要介绍 摘要 Object detection performance, as measured on the canonical PASCAL VOC dataset, has plateaued in the lastfew years. 在PASCAL VOC数据集上测量的目标检测性能在过去几年已经趋于稳定。 The best-performing methods are complex ensemble systems that typically combine multiple low
[深度学习基础] 斯坦福CS231n李飞飞计算机视觉Lecture 8笔记
沉梦昂志丶
04-03 803
内容列表Lecture 8 Spatial Localization and Detection目标检测Region ProposalsR-CNNSPPNetFast R-CNNFaster R-CNNMask R-CNNYOLO小结 Lecture 8 Spatial Localization and Detection 目标检测 要了解目标检测问题，先要了解图像的分类与定位问题，可以看到下图中...
felzenszwalb算法_学习图像场景解析的理论和应用（二）场景解析的经典算法分析之SLIC...
weixin_39653311的博客
11-28 1822
2003 年,任晓峰教授在图像分割技术层面上提出了超像素分割的这一概念，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度，所以通常作为分割算法的预处理步骤。已经证明在深度估算（depth estimation），图像分割（image segmentat...
Selective Search 算法
zizi7的专栏
04-20 1万+
由[Uijlings J R R在2012年的IJCV][1]上提出。 方法以[P. F. Felzenszwalb在2004年的IJCV发表的基于图的图像分割][2]为基础，考虑色彩、纹理和尺寸的相似度，输出所有可能目标的位置，为后续的目标识别提供基础。算法分析算法使用[图像分割方法][2]对图像做初始分割，提出分层分组方法（图1）对分割的结果做筛选和归并，最终输出所有可能位置。step1:计算区
SLIC与目前最优超像素算法的比较 SLIC Superpixels Compared to State-of-the-art Superpixel Methods
_者行孙的博客
10-30 2万+
SLIC与目前最优超像素算法的比较Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sabine S¨usstrunk
图像处理3 Felzenszwalb算法的Python实现
weixin_30408675的博客
08-12 1173
介绍 算法介绍上一篇随笔中很详细。 图像处理2 基于图的图像分割算法 实现和效果 # coding:utf8 import cv2 import numpy as np from skimage import io as sio from skimage.segmentation import felzenszwalb import matplotlib.pypl...
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