Overfeat，RCNN，Sppnet 2014年三篇经典文献及其创新思路总结

最新推荐文章于 2022-10-23 11:54:49 发布
最新推荐文章于 2022-10-23 11:54:49 发布
阅读量1.1k 收藏 2
点赞数
分类专栏： 目标检测总结
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_41553038/article/details/90051084
版权
本文总结了2014年Overfeat, RCNN, SPP-Net三篇经典文献的创新点。RCNN采用两阶段检测，Overfeat利用1*1卷积保持位置关系并处理不同尺寸图片，SPP-Net通过固定大小的池化层适应任意输入。三者分别解决了速度、准确度和信息损失问题。" 117606065,8753399,测试boost::hana::maximum.by,"['C++', 'boost库', '函数式编程', 'hana']
摘要由CSDN通过智能技术生成

文章目录


Overfeat，RCNN，Sppnet 是2014年三篇的三篇经典文献，本文就个人理解做个简单的总结比较，整理其创新思路

0，让人影响深刻的点（关键点）

1，RCNN

  • two stage ,先用selective search提取候选区提升准确度，再计算特征图，进行分类定位操作

2，Overfeat

  • 采用1*1卷积核对特征图全卷积，代替之前的flatten到一个列向量——保留特征图位置关系，且如此可输入不同尺寸图片，最后池化取最佳值即可
  • 全面offset max-pooling：增加多种采样起始点的选择，不仅从0开始向下3*3采样，加上从1和2位置开始的额外向下采样，最终选取最大值，这样可以保留边缘信息

3，SPP-Net

  • 始终将特征图卷积到4x4，2x2，1x1的固定组合，使得卷积神经网络可以有任意大小的输入

1，网络结构，实现步骤概览

1，RCNN

网络结构

啊啊啊

实现步骤

在这里插入图片描述
0. 在数据集上训练CNN 一般用AlexNet+ImageNet

  1. Selective Search 从输入的图像中启发式的搜索出可能包好物体的区域
  2. 将每个区域缩放到统一大小 ，然后送入CNN中提取特征
  3. 使用SVM对提取的特征进行分类，判断是否属于一个类
  4. 通过非极大值抑制 (Non-maxium suppression)输出结果， 对于属于某一特征的候选框，用回归器进一步调整其位置

最低0.47元/天 解锁文章
@ZeKing
关注
专栏目录
[Python从零到壹] 七十七.图像识别及经典案例篇之目标检测入门普及和ImageAI对象检测详解
杨秀璋的专栏
04-28 921
前文介绍了人脸检测的应用案例，通过OpenCV快速实现人脸检测。这篇文章将详细讲解目标检测基础知识，并通过ImageAI实现对象检测的经典案例。本文主要介绍目标检测原理，通过七个问题来普及什么是目标检测。然后利用ImageAI实现最简单的目标检测案例，加深读者的印象，本文提供的案例将为读者提供深入的理解，希望您喜欢。
RCNN学习笔记(9):OverFeat:Integrated Recognition, Localization and Detection using Convolutional Networks
热门推荐
Focusing on your own Mind :) －> 站在巨人的肩膀上
04-28 1万+
Reference link:  http://blog.csdn.net/whiteinblue/article/details/43374195 https://www.zybuluo.com/coolwyj/note/203086#1-classification     本文是纽约大学Yann LeCun团队中Pierre Sermanet ，David Eigen和张翔等在
目标检测：从overfeat到Fast R-CNN
xiaohuilang6的博客
06-09 598
以下内容摘自斯坦福cs231n目标检测课程： 计算机视觉任务： ImageNet 分类和定位任务： Idea #1：定位问题视为回归问题 实现步骤： 1. 训练（或下载）一个分类模型（AlexNet, VGG, Inception） 2. 添加新的全连接层用作“回归” 3. 仅训练“回归”模块，SGD，L2 Loss 4. 测试时加入“分类”和“回归” 回归分为两种： 独立于类别的回归： Class agnostic （4 numbers / per box
SPPNet论文解析
小毛激励我好好学习的博客
07-25 707
文章目录一、介绍二、拟解决的关键问题三、Spatial Pyramid Pooling1. 问题背景2. Spatial Pyramid Pooling Layer四、SPPNet目标检测算法流程五、总结六、参考文献 本篇博客将要解析的论文是Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition，论文地址为：https://arxiv.org/abs/1406.4729 一、介绍 本文是Kaiming He,
CV之DL之SPPNet：SPP-Net算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
09-27 1万+
​ CV之DL之SPPNet：SPP-Net算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略 目录 相关论文 SPP-Net算法的简介 SPP-Net关键步骤 相关文章 DL之SPP-Net：SPP-Net算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略 DL之SPP-Net：SPP-Net算法的架构详解 相关论文 《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual
目标检测方法总结（RFCN/SSD/RCNN/FastRCNN/FasterRCNN/SPPNet/DPM/OverFeat/YOLO）
jainszhang的博客
05-07 589
本文转载自：http://blog.csdn.net/yimingsilence/article/details/53995721这里搜集了一些关于物体检测的方法分析和介绍，看好哪个可以去详细研究一下，基本都有论文或代码的链接。这里是简述各种方法，下面有详细叙述方法选择：========DPM=========使用传统的slider window的方法 计算量非常大========OverFeat...
中文-RCNN.pdf
09-24
RCNN（Region-based Convolutional Neural Network）是一种用于目标检测的深度学习模型，由Ross Girshick等人在2013年提出。RCNN模型的设计理念是将深度学习应用于目标检测任务，尤其是能够在复杂图像中准确地定位和...
目标检测——Fast RCNN【你看这一篇就差不多了】
PRIS-SCMonkey的博客
03-01 4771
标题很酷炫，虽然说出来这句话有些虚~emmmmmmmm…【言归正传】SPPnet出来之后，RBG大神迅速回怼，抛出了更快更好的Fast-RCNN。**新的思路是，**将之前的多阶段训练合并成了单阶段训练，面对灵活尺寸问题，大神借鉴了空间金字塔的思路，使用了一层的空间金字塔。 0. 摘要 本文提出了一个快速的基于区域推荐的卷积网络方法（Fast R-CNN）用于对象检测。Fast R-CNN在前人工...
【目标检测】RCNN, Fast-RCNN, Faster-RCNN 目标检测算法总结
Shwan_ma的博客
04-21 689
之前有看过这几篇论文，但都不是了解特别清楚。这次索性做个纵向对比，重新把这几篇论文翻出来看，也当做一个阅读笔记。 目前的目标检测算法主要分为两类：一类是以RCNN领头的two stage的检测算法。另一类是以Overfeat领头的one stage算法。其主要的综述可以看 https://zhuanlan.zhihu.com/p/33277354 各项指标可以看以下链接： https:/...
深度学习计算机视觉模型衍生与发展——OverFeat详解
qq_62530454的博客
10-23 1210
本文围绕一代传奇模型overfeat展开论述，探究在2013年，overfeat是怎样横空出世、独占鳌头的，并介绍它的那跨时代的思想和惊为天人的设计。
overleaf 插入中文文献
weixin_39875181的博客
08-23 2438
首先加上\usepackage{CJKutf8}包 然后在\begin{document}后面加上\begin{CJK}{UTF8}{gkai} 类似这样 \begin{document} \begin{CJK}{UTF8}{gkai} \end{CJK} \end{document} 另外注意\cite{}里面的内容换成英文
OverFeat论文解析
小毛激励我好好学习的博客
07-18 1254
文章目录一、介绍二、拟解决的问题1. 特征提取2. 视觉任务三、解决方法四、分类任务1. 模型设计2. 推理步骤3. OffSet Max-Pooling4. 卷积网络与滑窗法的关系五、定位任务六、检测任务七、总结八、参考文献 本篇博客将要解析的论文是OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks，论文地址为：https://arxiv.org/abs/1312.6229 一、
目标检测（一）------Two stage（R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、R-FCN）
weixin_42454048的博客
08-16 1856
1.基本概念 1.1 计算机视觉的几大任务 分类-Classification：解决“是什么”？的问题，即找出一张图像中物体的类别。 定位-Location:解决“在哪里”？的问题，即定位出目标的位置。 检测：解决“是什么”？“在哪里”？的问题，即定位出目标的位置，并确定其类别。 分割：分为实例分割（Instance-level）和场景分割（Scene-level），解决每个像素属于哪个目标物或哪...
OverFeat论文笔记
m0_52471565的博客
12-09 169
文章目录1. Background2. Classification2.1 使用AlexNet预训练模型2.2 Multi-scale classification(OverFeat 使用)2.3 FCN的思想2.4 Training & Testing3 Localization总结 1. Background OverFeat是一种特征提取器，具有以下创新之处： （1）Bounding Box位置框回归采用累积的方法而不是非极大值抑制以增大检测置信度 （2）运用多尺度和滑动窗口的方法 （3）
在Mac下，深度学习CNN库Overfeat的配置及使用
01-21 1189
Overfeat的主页：http://cilvr.nyu.edu/doku.php?id=software:overfeat:start 1. 下载Overfeat的代码包： Download OverFeat-v04.tgz  2. 下载已经学习好的网络权重数据，大小两个网络的数据都有，共1G左右，解压后放在程序能够访问的目录。 3. 安装依赖，并编译。 # I
目标检测经典算法R-CNN（2014）
weixin_42819084的博客
05-19 1518
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,Jitendra Malik。 这篇论文发布时间是 2014 年，它具有很多比较重要的意义。 在 Pascal VOC 201
【目标检测】R-CNN系列算法&YOLO系列算法总结回顾
学无止境、积少成多、厚积薄发
08-24 243
https://shartoo.github.io/2017/01/13/RCNN-series/ https://zhuanlan.zhihu.com/p/23203899
深度学习目标检测二十年进展：从RCNN到未来趋势
在这个过程中，研究人员发展出了一系列里程碑式的对象检测器，如Two-Stage Framework，包括RCNN（Region-based Convolutional Neural Networks）、SPPNet（Spatial Pyramid Pooling）、FastRCNN、FasterRCNN、RFCN...
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