Faster-RCNN网络backbone主干网络源码解析

最新推荐文章于 2024-05-29 12:01:01 发布
最新推荐文章于 2024-05-29 12:01:01 发布
阅读量3.7k 收藏 26
点赞数 9
文章标签： Faster-RCNN网络结构 backbone主干网络 源码
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_41475067/article/details/115316656
版权
本文详细解析了Faster R-CNN网络的backbone部分，主要由ResNet50/101和FPN构成。首先介绍了ResNet的残差块结构，然后阐述了FPN如何通过池化下采样融合高低阶特征。接着讲解了RPN网络的初始化和损失计算。最后，简要提到了候选区域的计算和分类。整个解析过程涵盖了关键代码和逻辑流程。
摘要由CSDN通过智能技术生成

声明：今天我们解析的Faster-RCNN网络底层源码的backbone主干网络是由ResNet和FPN构成，以前也见过VGG的backbone主干网络构成的Faster-RCNN网络，相关论文我之前也草草的过了一遍，作者原文使用的是VGG构建的主干网络。今天的源码解析均依据，手中现有代码实现。

Faster-RCNN网络结构介绍

在这里插入图片描述
我们今天就按照这个顺序来简单分析一下Faster-RCNN网络底层源码：

backbone主干网络

  • 参数可控的ResNet50 or ResNet101网络
    在这里插入图片描述

  • 残差快主体结构
    在这里插入图片描述

  • 通过类下采样的方式实现，低阶特征 --> 高阶特征（高阶特征的提取）
    在这里插入图片描述

  • 使用backbone获取特征图并共享到RPN网络和RoiPooling中
    在这里插入图片描述

  • 连续下采样
    在这里插入图片描述
    逻辑图：
    在这里插入图片描述

  • 自定义shape，计算特征图大小
    在这里插入图片描述

FPN源码解析

注释说明，标注不易，多多鼓励吧

在这里插入图片描述
在这里插入图片描述

  • 在call方法中实现高阶特征（通过池化下采样之后）和低阶特征的融合
    在这里插入图片描述

RPN网络源码解析

  • 实例属性操作
    在这里插入图片描述
  • 初始化非极大值抑制的对应参数以及对象在初始化过程中完成实例化anchor框、正负样本划分参数接受、RPN网络中的分类和回归损失等参数的初始化和赋值工作。
    在这里插入图片描述
    在这里插入图片描述
  • FPN中的前向传播就不说了，没啥新鲜的
  • FPN网络中的损失计算
    在这里插入图片描述
  • 候选区域计算
    • 候选区域类别列表获取
      在这里插入图片描述
      在这里插入图片描述
    • 计算候选区域结果
      在这里插入图片描述
      在这里插入图片描述

至此，Faster-RCNN网络结构的backbone主干网络源码解析完成，代码标注不易，欢迎点赞收藏。

福将～白鹿
关注
  • 9
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
fasterRCNN-resnet50
01-11
Caffe下faster rcnn的残差网络resnet的配置，包含prototxt、train、test等文件。
py-faster-rcnn-windows-master.zip
11-26
2. 编译Caffe：由于Py-Faster-RCNN需要Caffe的支持，因此需要下载Caffe源码，并按照指导进行编译。在这个过程中，可能需要修改Makefile.config文件以适应Windows环境，如设置正确的CUDA和 cuDNN路径。 3. 替换lib...
【笔记】Backbone（经典主干网络）：VGGNet、GoogLeNet、ResNet、ResNet变种、SENet、SKNet、DarkNet-19、DarkNet-53、EfficientNet
nyist_yangguang的博客
10-16 1976
CV 经典主干网络 (Backbone) 系列: 开篇 这篇是 深度学习中的经典基础网络结构（backbone）总结 的下篇。上篇中从大的发展趋势介绍了下主干网络的发展，而这篇主要是对一些比较经典的主干网络进行简单梳理。 目录CV 经典主干网络 (Backbone) 系列: VGGNet （2014年） CV 经典主干网络 (Backbone) 系列: GoogLeNet（InceptionNet） （2014年） CV 经典主干网络 (Backbone) 系列: ResNet家族（2015年） ..
Backbone 之 FPN：特征金字塔 （Pytorch实现及代码解析）
最新发布
2401_85112148的博客
05-29 932
首先对C5进行1×1卷积降低通道数得到P5，然后依次进行上采样得到P4、P3和P2，目的是得到与C4、C3与C2长宽相同的特征，以方便。这里采用。
Faster R-CNN
bigdataZLB的博客
09-25 848
文章目录前言VGG16论文网络框架摘要ROI poolingRPN卷积 前言 VGG16 Faster R-CNN使用的主干网络，网络结构如下（13个卷积层+3个全连接层）： RCNN，Fast-RCNN，Faster-RCNN以及YOLO的区别 论文 网络框架 摘要 SPPnet、 Fast R-CNN等网络减少了检测网络的运行时间，暴露了区域建议计算的瓶颈。 在Faster R-CNN中，引入了一个区域建议网络(RPN)，它与检测网络共享全图像卷积特征，从而实现几乎零消耗的区域建议。 RP
faster r-cnn实现--backbone
SuperJayzz1的博客
03-21 1067
backbone的意思就是骨干网络，backbone+head subnet就可以组成一个目标检测网络，为了有一个好的初始值以及加快训练，往往会使用imagenet的预训练模型作为backbone，以vgg16作为backbone为例。 上节说到就是在vgg中间塞一个rpn，也就是在分类的全连接层之前加rpn，那么我们把这两部分分开。用的是torchvision的实现和预训练模型。 def load_backbonevgg16(pretrained=True,**kwargs): model=vgg16(p
3 -【Faster R-CNN】之 backbone 代码精读
weixin_37804469的博客
02-01 564
在上一篇文章中，我们得到了图像尺寸统一的 batch 了，接下来，就是 feed 到 backbone 中 获取 feature map。
faster-rcnn构建backbone（fpn结构）
weixin_45103604的博客
05-12 1972
torch 1.10以上 对应torch vision 不含fpn结构（一个预测特征层） 修改train文件更改create_model 导入包 import os import datetime import torch import transforms from network_files import FasterRCNN, AnchorsGenerator from my_dataset import VOCDataSet from train_utils import GroupedB
基于pytorch框架的Faster-RCNN模型python源码+项目说明+数据集.zip
04-12
基于pytorch框架的Faster-RCNN模型python源码+项目说明+数据集.zip 基于pytorch框架的Faster-RCNN模型python源码+项目说明+数据集.zip 基于pytorch框架的Faster-RCNN模型python源码+项目说明+数据集.zip 基于pytorch...
Faster-RCNN源码及其代码实现.zip
08-10
这个压缩包文件" Faster-RCNN源码及其代码实现.zip"包含了一些关键组件和资源，可以帮助我们理解并实现Faster R-CNN。 1. **Faster R-CNN架构**：Faster R-CNN由两大部分组成：区域提议网络（Region Proposal ...
Faster-rcnn:我对Faster-RCNN（Pytorch）的实现
05-14
进度提示（已终结） 完成README-工程代码部分：整体代码提交与测试　2018.6.6 完成代码提交　2018.6.6 完成代码测试： 完成README-部分－2018.6.7 完成README-部分工程代码这个程序是基于Pytorch实现Faster-RCNN功能...
faster rcnn 网络结构图解
10-15
faster rcnn 网络结构图解
VGGnet_fast_rcnn_iter_70000.ckpt
09-29
此训练模型为tensorflow下faster-rcnn已经训练好的模型。由于google下载的链接很慢，所以为大家提供资源。
faster-rcnn权重文件vgg16-caffe
02-28
总之，"faster-rcnn权重文件vgg16-caffe"涉及到的是深度学习中的目标检测技术，具体是Faster R-CNN模型与VGG16网络的结合，使用CAFFE框架实现，并且提供了预训练的权重以供使用。这一资源对于研究者和开发者来说是...
更换目标检测的backbone（以Faster RCNN为例）
@bangbang的博客
06-11 6739
本博客以Faster RCNN为例，介绍如何更换目标检测的backbone。 对于更换目标检测backbone，主要难点是：如何获取分类网络中间某一个特征层的输出，在该特征层输出的基础上构建我们的目标检测模型。这里简单讲一下如何利用pytorch官方给的方法构建我们新的backbone,关于构建新的backbone，其实它的方法有很多。我们这讲一个比较简单的方法,对于该方法的前提是：torch>1.10 conda install pytorch==1.10.0 torchvision==0.11.0
使用mmdetection训练模型--记faster-rcnn不同backbone性能比较
hedgehogbb的博客
12-15 4336
使用mmdetection训练模型--记faster-rcnn不同backbone性能比较
FasterRCNN
qq_37497304的博客
08-30 2789
论文：“Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”
换FasterRcnn模型backbone
m0_49534117的博客
11-05 1006
因为VGG16模型的self.features对应第一张图上的虚线部分，因为到虚线时已经下采样32倍，一一般目标检测时下采样16倍即可（下采样倍数太大不容易提取小目标信息），所以采用VGG16第二张虚线的部分，也就是去掉了maxpooling.3.换backbone为EfficientNet（其实EfficientNet的主干部分MBCONV就是MobileNetv3的block,这篇论文提出的网络主要是研究深度宽度和输入分辨率共同的影响）
更换目标检测的backbone（以Faster RCNN为例）_frozenbatchnorm2d
2301_82243078的博客
04-20 982
roi_pooler = torchvision.ops.MultiScaleRoIAlign(featmap_names=[‘0’], # 在哪些特征层上进行RoIAlign pooling。output_size=[7, 7], # RoIAlign pooling输出特征矩阵尺寸。(img-46j4mFPs-1713613100508)]从而完成BackboneWithFPN的backbone的构建。sampling_ratio=2) # 采样率。
tensorflow目标检测 faster-rcnn网络数据下载
10-31
在下载faster-rcnn的数据前，我们首先需要安装tensorflow和其他相关库。我们可以通过以下命令来安装tensorflow： ``` pip install tensorflow ``` 安装完成后，我们可以通过以下步骤来下载faster-rcnn网络的数据。 1. 首先，我们需要下载COCO（Common Objects in Context）数据集，它是一个用于目标检测和图像分割任务的广泛使用的数据集。可以通过以下链接下载COCO数据集： ``` http://cocodataset.org/#download ``` 2. 然后，我们需要下载用于训练faster-rcnn网络的预训练模型。可以通过以下链接下载预训练模型： ``` https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md ``` 在这个链接的页面中，你会看到各种模型的下载链接。可以根据自己的需求选择一个适合的模型进行下载。 3. 下载完成后，我们可以将下载的COCO数据集和预训练模型放在我们的工作目录中。 现在，我们已经完成了faster-rcnn网络数据的下载。接下来，我们可以开始使用这些数据来训练我们自己的目标检测模型了。
评论 1
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