Faster RCNN网络源码解读（Ⅹ） --- FastRCNN部分正负样本采样及FastRCNN部分损失计算

最新推荐文章于 2023-05-10 16:42:13 发布
最新推荐文章于 2023-05-10 16:42:13 发布
阅读量750 收藏 1
点赞数 1
分类专栏： 深度学习-目标检测 Faster-RCNN网络解析笔记 文章标签： 目标检测 人工智能 计算机视觉 fasterrcnn
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_41694024/article/details/128519496
版权
本文深入解析Faster R-CNN网络的训练过程，详细阐述ROIHeads类中的正负样本采样策略，包括select_training_samples、assign_targets_to_proposals和fastrcnn_loss等关键步骤，以及在训练中如何从RPN生成的提案中选取部分样本用于损失计算。
摘要由CSDN通过智能技术生成

目录

一、回顾以及本篇博客内容概述

二、代码解析 

2.1 ROIHeads类（承接上篇博客的2.5节）

2.1.1 初始化函数 __init__回顾

2.1.2 正向传播forward回顾

2.1.3 select_training_samples

2.1.4  add_gt_proposals

2.1.5 assign_targets_to_proposals

2.1.6 subsample

2.1.7 fastrcnn_loss

一、回顾以及本篇博客内容概述

        上篇博客我们讲述完了ROIPooling（ROIAlign）、Two MLPHead及FastRCNNPredictor部分。

        本篇博客我们将讲述在我们的训练过程中并不是选择RPN提供的所有proposal，而是其中选取一部分proposal作为我们的FastRCNN损失计算。对应下图的内容：

二、代码解析 

2.1 ROIHe

了解本专栏 订阅专栏 解锁全文 超级会员免费看
APS2023
关注
专栏目录
订阅专栏
Faster RCNN网络源码解读（Ⅸ） --- ROIAlign、TwoMLPHead、FastRCNNPredictor部分解析
qq_41694024的博客
01-02 896
ROIAlign、TwoMLPHead、FastRCNNPredictor部分解析
二阶段目标检测网络-Faster RCNN 详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-09 1158
backbone 为 vgg16 的 faster rcnn 网络结构如下图所示，可以清晰的看到该网络对于一副任意大小 PxQ 的图像，首先缩放至固定大小 MxN，然后将 MxN 图像送入网络。
FasterRCNN源码解析（九）——FastRCNN正负样本划分及采样
prague6695的博客
03-25 2694
FasterRCNN源码解析（九）——FastRCNN正负样本划分及采样 文章目录FasterRCNN源码解析（九）——FastRCNN正负样本划分及采样select_training_samples1. self.assign_targets_to_proposals 对应框架图中的这个部分 select_training_samples 主要是针对FasterRCNN源码解析（八）——ROIheads部分roi_head正向传播过程中第一步self.select_training_samples(pr
关于 Faster RCNN正负样本选取的问题
让写点什么成为习惯
10-02 5933
回顾fast rcnn样本选取问题
faster rcnn 损失函数
ysh1026的博客
11-25 1547
损失函数分为框预测回归和分类loss，每个都分为rpn和rcnn。 rpn损失： _anchor_target_layer 给图像内部的anchors分配rpn_labels(1或0，前景或背景)，再和rpn_cls_score做交叉熵，此时只关注物体是前景/背景，不管物体的类别 rpn_cross_entropy = tf.reduce_mean( tf.nn.sparse_softmax_cross_entropy_with_logits(logits=rpn_cls_score
Faster-rcnn的网络及损失函数
Sircollector的博客
04-23 605
38。
YOLOv3的正负样本和损失函数
热门推荐
不知语冰
05-29 1万+
yolov3论文并没有给出损失函数，查了好多资料和程序，其方法都不同，先说一下我觉得比较正确的一种方式吧： loss计算 公式不多说了，就说下理解（以下采用均方误差、交叉熵误差只是简单起见，还有些版本选择其他的误差计算，本文重点在正负样本的选择）： 如果某网格的某个边框负责预测该物体（正样本）： ​ 对tx ty求均方误差 ​ 对tw th求均方误差 ​ 对80类分类结果求二类交叉熵误差 ​ 对置信度C计算二类交叉熵误差(C期望值=1） 某网格的某些边框不负责预测该物体，且Anchor和真实值
Faster-RCNN简介及损失函数
qq_32790593的博客
01-28 4381
【Faster RCNN】损失函数理解：https://blog.csdn.net/Mr_health/article/details/84970776 1. 使用Smoooh L1 Loss的原因 2. Faster RCNN的损失函数 2.1 分类损失 2.2 回归损失 一些感悟 关于文章中具体一些代码及参数如何得来的请看博客： tensorflow+faster rcnn代码解析（二）：anchor_target_layer、proposal_target_layer、prop
Faster-RCNN论文及原码解读
Dear_learner的博客
01-19 4798
目录一、模型的整体框架二、网络结构2.1 Conv Layers2.2 RPN(Region Proposal Networks)2.2.1 Anchors box的生成2.2.2 RPN实现原理2.2.2.1 rpn-data2.2.2.2 rpn_loss_cls,rpn_loss_bbox,rpn_cls_prob2.2.2.3 proposal2.2.2.4 roi_data2.3 ROI Pooling2.3.1 ROI Pooling2.3.2 ROI Align2.4 全连接层2.5 损失函数
RCNN网络源码解读（Ⅱ） --- 使用IOU计算正负样本用于finetune训练
qq_41694024的博客
12-17 1156
使用IOU计算正负样本用于finetune训练
目标检测正负样本区分策略和平衡策略总结
3D视觉工坊
01-06 925
作者丨深度眸@知乎（已授权）来源丨https://www.zhihu.com/people/huanghaian编辑丨极市平台未经允许不得二次转载0 简介本文抛弃网络具体结构，仅仅从正负样本区分和正负样本平衡策略进行分析，大体可以分为正负样本定义、正负样本采样和平衡loss设计三个方面，主要是网络预测输出和loss核心设计即仅仅涉及网络的head部分。所有涉及到的代码均以mmdetection为主...
SSD系列3——损失计算
最新发布
python_plus的博客
05-10 790
本文简要介绍了SSD中的损失值计算，参考《深度学习之Pytorch物体检测实战》
Mask RCNN网络源码解读（Ⅶ） --- Mask分支解析以及将其映射回原尺度----完结撒花
qq_41694024的博客
01-10 1941
本篇博客将讲述如何利用之前实现好的Faster R-CNN算法实现Mask R-CNN。
maskrcnn-benchmark 代码详解之　balanced_positive_negative_sampler.py
leijieZhang的博客
06-05 1609
前言 　　在二阶段目标检测的卷积神经网络模型中，在经过RPN筛选出相应的候选边框（Proposal)中应既包含内容为背景的边框又包含内容为目标的边框。这就需要一次对这两种边框数目的调整，以使得模型训练效果更好，这两种边框的选择比例一般为１：１，但是随着检测任务的不同而不同。在maskrcnn benchmark中实现这一操作的代码为balanced_positive_negative_sampl...
faster-rcnn详解（rpn，损失函数）
weixin_43745234的博客
08-11 6858
rpn工作流程： 在CNN生成的特征图上，执行一个3×3的卷积，pading设为（1,1），保证能够卷到特征图的每个位置，最后得到一个跟特征图尺寸一模一样的特征图，然后在后面并联两个1×1卷积，通道数分别为2k和4k，实现类别和边界框回归参数的预测，这里的类别是前景或背景 在cnn生成的特征图上的每个位置，生成9个anchor（假如20k），然后去除越界的anchor（剩下6k）【**注意，原论文中，是在20k个anchor中采样256个正负样本，然后执行下面的操作（用这符合条件的256个anchor训练
FasterRCNN源码解析（十）——FastRCNN损失计算或者预测结果后处理
prague6695的博客
03-26 1539
FasterRCNN源码解析（十）——FastRCNN损失计算以及预测结果后处理 文章目录FasterRCNN源码解析（十）——FastRCNN损失计算以及预测结果后处理一. fastrcnn_loss二. postprocess_detections三. self.transform.postprocess总结 一. fastrcnn_loss 参数： class_logits (Tensor): 预测类别概率信息，shape=[num_anchors, num_classes] box_regres
fasterrcnn论文_机器学习-Faster RCNN的损失函数(Loss Function)
weixin_39897070的博客
11-25 1165
Faster RCNN的损失函数(Loss Function)的形式如下:p(i): Anchor[i]的预测分类概率；Anchor[i]是正样本时,p(i)*=1；Anchor[i]是负样本时，p(i)*=0;什么是正样本与负样本满足以下条件的Anchor是正样本：与Ground Truth Box的IOU(Intersection-Over-Union) 的重叠区域最大的Anchor；与Gou...
目标检测中如何定义正负样本，和正负样本在学习过程中loss计算起的作用
是否龍磊磊真的一无所有的博客
08-27 9597
如何定义正负样本，和正负样本在学习过程中loss计算起的作用正负样本定义分类和回归head如何学习和利用划分后的正负样本（loss如何计算）正负样本在分类中loss计算的处理正样本在bbox 回归中的loss计算 在目标检测中，经常说起正负样本。本文仔细说一下，如何定义正负样本；定义正负样本之后，在loss计算中，正负样本分别参与到classification head和regression head中，是如何使用正负样本信息进行监督学习的。loss如何从正负样本中，直接得到这两类样本对不同任务的损失函数和
faster rcnn系列之正负样本
wanghuahua_1003的博客
07-19 7018
调完bug真的开心的可以手舞足蹈！！！！！！！！ 对于faster rcnn的anchors的positive_iou_thresh,negative_iou_thresh设定，原来的对于整张图片是0.7，0.3.比例是1：1. 在我后面的补增实验中，都是小物体，所以稍微的一点移动就会使IOU降低的很多，所以呢，我设置的是0.3，0.1.这样对于每张图片就可以得到1：1的正负样本，希望有所帮助...
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

打赏作者

APS2023

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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