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 2021-06-04 19:25:02 发布
最新推荐文章于 2021-06-04 19:25:02 发布
阅读量728 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

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
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
RCNN学习笔记(9):OverFeat:Integrated Recognition, Localization and Detection using Convolutional Networks
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
OverFeat论文解析
小毛激励我好好学习的博客
07-18 1080
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、
overleaf 插入中文文献
weixin_39875181的博客
08-23 2316
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
目标检测：从overfeat到Fast R-CNN
xiaohuilang6的博客
06-09 563
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
CNN卷积神经网络之ZFNet与OverFeat
qq_41917697的博客
02-14 625
CNN卷积神经网络之ZFNet与OverFeat前言一、ZFNet网络结构反卷积可视化1.反最大池化(Max Unpooling)2.ReLu激活3.反卷积二、OverFeat1.引入库2.读入数据总结 前言 这两个网络都是在13年提出的，都是在AlexNet上稍微改进的，所以就写在了一起，也方便对比。 一、ZFNet 《Visualizing and Understanding Convolutional Networks 》 论文地址：https://arxiv.org/pdf/1311.2901.
Detection物体检测及分类方法总结（RFCN/SSD/RCNN/FastRCNN/FasterRCNN/SPPNet/DPM/OverFeat/YOLO）
William Zhao's notes
01-03 3万+
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==== 改进了Alex-net，并用图像缩放和滑窗方法在test数据集上测试网络；提出了一种图像定位的...
overfeat_ilsvrc2013 PPT
01-28
overfeat:Classification, Localization and Detection using Deep Learning ImageNet Large Scale Visual Recognition Challenge 2013 (ILSVRC2013) ICCV
2013 - Overfeat Integrated recognition, localization and.pdf
09-14
OverFeat 是一个集成了图像识别、定位和检测功能的深度学习模型，由 Pierre Sermanet, David Eigen, Xiang Zhang, Michael Mathieu, Rob Fergus 和 Yann LeCun 等作者在 2013 年提出。该模型基于 Convolutional ...
OverFeat-14
11-18
这个模型是基于卷积神经网络（CNN），它在2013年由Sergey伊尔明斯基、Arnaud Couzinie-de vy、Piotr Dollar、Clement Farabet和Roberto Cipolla等人提出。OverFeat的独特之处在于其集成的滑动窗口检测机制，使得模型...
基于OverFeat的病斑检测系统.zip
最新发布
07-19
基于OverFeat的病斑检测系统.zip
leaf:基于OverFeat的病斑检测系统
03-11
"leaf:基于OverFeat的病斑检测系统"就是这样一款创新的应用，它采用深度学习算法，特别是OverFeat模型，来实现对植物叶片病斑的精准识别。下面我们将详细探讨该系统的构成、工作原理以及其开源特性。 首先，让我们...
【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
08-24 220
https://shartoo.github.io/2017/01/13/RCNN-series/ https://zhuanlan.zhihu.com/p/23203899
OverFeat 个人总结
LeeWanzhi的博客
03-09 3887
论文:《OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks》。可在google学术、百度学术下载。 一、Introduction 卷积网络的优点：end to end，由像素对应到最终的类别 缺点：需要大量已标记的样本 本文主要介绍了利用OverFeat进行分...
CNN经典结构（AlexNet，ZFNet，OverFeat，VGG，GoogleNet，ResNet）
大数据之眸
06-04 1569
前言 本文主要介绍2012-2015年的一些经典CNN结构，从AlexNet，ZFNet，OverFeat到VGG，GoogleNetv1-v4，ResNetv1-v2。 在论文笔记：CNN经典结构2中我介绍了2016-2017年的几个经典CNN结构，WideResNet，FractalNet，DenseNet，ResNeXt，DPN，SENet。另外，在ImageNet历年冠军和相关CNN模型中，我简单介绍了ImageNet和历年冠军。 AlexNet 贡献：ILSVRC2012冠军，展现出了深度C
OverFeat心得
u013967613的博客
12-01 4003
OverFeat官方：http://cilvr.nyu.edu/doku.php?id=code:start参考博客： http://blog.csdn.net/hjimce/article/details/50187881 http://blog.csdn.net/whiteinblue/article/details/43374195 摘要： 本文提出一种整合框架，通过卷积网络来
深度学习（二十）基于Overfeat的图片分类、定位、检测
热门推荐
hjimce的专栏
12-05 4万+
本篇博文主要讲解来自2014年ICLR的经典图片分类、定位物体检测overfeat算法：《OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks》，至今为止这篇paper，已然被引用了几百次，把图片分类、定位、检测一起搞，可见算法牛逼之处非同一般啊。开始前，先解释一下文献的OverFeat是什么意思，只有知道了这个单词，我们才能知道这篇文献想要干嘛，OverFeat说的简单一点就是特征
深度学习论文笔记：OverFeat
Striker_V的专栏
03-15 1191
[转载]深度学习论文笔记：OverFeat 原文转自：http://blog.csdn.net/chenli2010/article/details/25204241  今天我们要谈论的文章为： OverFeat: Integrated Recognition, Localization and Detection using Convolutional Ne
系统学习深度学习（十六）--Overfeat
工作笔记
03-09 1万+
转自：http://blog.csdn.net/whiteinblue/article/details/43374195 本文是纽约大学Yann LeCun团队中Pierre Sermanet ，David Eigen和张翔等在13年撰写的一篇论文，本文改进了Alex-net，并用图像缩放和滑窗方法在test数据集上测试网络；提出了一种图像定位的方法；最后通过一个卷积网络来同时进行分类，定位和检
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