DynaSLAM-4 DynaSLAM中Mask R-CNN部分源码解析（Ⅲ）

最新推荐文章于 2023-08-10 15:35:51 发布
最新推荐文章于 2023-08-10 15:35:51 发布
阅读量407 收藏
点赞数
分类专栏： DynaSLAM 代码解析 文章标签： 深度学习 人工智能
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/128806873
版权
本文详细解读了DynaSLAM中的RPN（Region Proposal Network）层，包括其作用和实现，以及ProposalLayer的候选框过滤过程。RPN通过共享卷积对生成的候选框进行前景/背景分类，并进行边界框回归。ProposalLayer则对大量候选框进行过滤，选取得分高的框体，并通过NMS进一步筛选。接着介绍了DetectionTargetType层的功能，包括正负样本的选择、标签定义以及处理数据集中的特殊情况，如多个物体在一个框内的情况。
摘要由CSDN通过智能技术生成

目录

1.RPN

1.1 RPN层的作用与实现解读

1.2 候选框过滤ProposalLayer层

2. DetectionTargetType层

2.1 DetectionTargetType层作用

2.2  正负样本选择与标签定义

1.RPN

1.1 RPN层的作用与实现解读

        上篇博客中我们解释了如何通过generate_pyramid_anchors在每一个特征层上生成anchors，而这些框只是一些随便框的一些框而已，而物体检测我们最终框出来的框是物体所在位置的框。

        在RPN层中：我们要做的是将由generate_pyramid_anchors函数生成的每一个生成的候选框简单的划分为前景和背景。即是一个物体/不是一个物体。

        如上图：对于每个候选框（共k个）我们要得到对其进行二分类（对每个anchor）得到2k个分数，分数代表其是前景/背景概率；要进行候选框参数的回归，因为我们在generate_pyramid_anchors函数中是随机生成的候选框，大小和真实物体大小指定不一

了解本专栏 订阅专栏 解锁全文 超级会员免费看
APS2023
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
DynaSLAM代码详解(1) — RGBD模式DynaSLAM运行流程
几度春风里的博客
07-09 1539
随后开始进行图像分割，对分割的结果利用膨胀操作；最后根据不同的参数利用不同的TrackRGBD函数开启跟踪线程，并将跟踪线程输出的结果imRGBOut，imDOut, maskOut 保存到创建的文件路径中。：因为有关于图像分割的操作，因此在设置了图像膨胀的相关参数，后面也创建了相关的的文件路径用于TrackRGB中的输出imRGBOut,imDOut,maskOut。检查和加载相关的配置文件，首先判断传入的参数数是否符合要求，然后进行变量的声明用于存放彩色图像、深度图像的路径，以及对应的时间戳的变量。
Mask R-CNN预训练权重
05-26
Mask R-CNN数据标注和模型训练 教程：https://yidamyth.blog.csdn.net/article/details/124851003 使用Mask R-CNN标注自定义数据集，训练自己的模型。 本资源是教程中所需要加载的预训练模型，提供一个便捷的下载...
DynaSLAM代码详解(4) — System.cc初始化SLAM系统
几度春风里的博客
07-10 525
系统流程的入口在​​​​​system.cc文件中，​​​​​system.cc和ORB-SLAM2的代码基本相同System：SLAM系统的构造函数，包括所有功能模块和所有线程的初始化TrackStereo：双目运行函数TrackRGBD：RGBD运行函数TrackMonocular：单目的运行函数其他：包括前面四个函数中的子函数，保存，关闭等函数。
DynaSLAM-2 DynaSLAM中Mask R-CNN部分源码解析（Ⅰ）
qq_41694024的博客
01-30 878
环境配置及项目简单介绍
DynaSLAM代码详解(2) — Mask RCNN物体检测框架
几度春风里的博客
07-10 1192
Mask R-CNN是何恺明大神于2017年发表的文章，该论文也获得了ICCV 2017的最佳论文奖（Marr Prize）。Mask R-CNN是一个非常灵活的框架，可以增加不同的分支完成不同的任务，可以完成目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种任务。Mask R-CNN是在Faster R-CNN的基础上加了一个用于预测目标分割Mask的分支（即可预测目标的Bounding Boxes信息、类别信息，也可以预测分割Mask信息）。
Dyna-SLAM代码解析：MaskNet.cc
weixin_63293091的博客
08-10 208
Dyna-SLAM代码解析：MaskNet.cc
基于Python的边界保持Mask R-CNN设计源码
最新发布
04-07
本项目是一个基于Python语言开发的边界保持Mask R-CNN项目，包含498个文件，主要文件类型包括Python源代码、YAML配置文件、Markdown文档、RST文档、C++源代码、Shell脚本、C语言源代码、CUDA代码、Git忽略文件和图片...
Mask R-CNN源码(TensorFlow版本)
01-30
**Mask R-CNN 源码 (TensorFlow 版本)** Mask R-CNN 是一个深度学习模型，用于实例分割和目标检测任务。这个模型在2017年由 Matterport 公司的何凯明等人提出，是 Faster R-CNN 的升级版，增加了对每个目标像素级别...
基于 Mask R-CNN 及 Yolov4 的电力巡检中绝缘子缺陷研究
03-26
本文主要探讨了一种基于深度学习的电力巡检方法，利用 Mask R-CNN 和 Yolov4 技术对输电线路中的绝缘子缺陷进行识别和定位。 Mask R-CNN 是一种用于实例分割的深度学习模型，它可以同时实现对象检测和像素级分类，...
Mask R-CNN （英文）
08-25
Mask R-CNN是一种用于对象实例分割的深度学习模型，由Kaiming He、Georgia Gkioxari、Piotr Dollár和Ross Girshick在2017年的IEEE国际计算机视觉会议上提出。这个模型是在Faster R-CNN的基础上扩展的，Faster R-CNN...
DynaSLAM/src/python/
11-07
将源码中一些关于tab与空格混用以及缩进不匹配问题更改
dynaslam2py
03-06
ORB_SLAM2-Python绑定 用于ORB_SLAM2的python包装器，可以在上找到。 它旨在与ORB_SLAM2的基本版本一起使用，并进行了一些最小的API更改，以访问系统输出。 尽管它不依赖于任何python3功能，但它已在ubuntu 14.04和16.04上进行了测试，并针对Python3构建。 安装 先决条件 ORBSLAM2源代码 ORBSLAM2编译依赖性（Pangolin，Eigen，OpenCV） Boost，特别是它的python组件（python-35） Numpy开发标头（以python表示图像，自动转换为cv :: Mat） 设置 修改ORBSLAM2 首先，我们需要ORBSLAM提供的其他API方法来提取完成的轨迹。 将补丁文件“ orbslam-changes.diff”应用于ORBSLAM2源，这将创建一个附加方法，并在CMakeLists.
DynaSLAM源码笔记-检测动态物体部分梳理
SLAM小土堆
11-17 3517
按照main函数向下细分的顺序大概记录一下rgbd情况下，动态物体去除（inpaint的部分不是重点）的源码的写法，并对应一下论文, 关于ORB-SLAM2本身的部分不会太涉及到。 安装方法见：关于运行DynaSLAM源码这档子事(OpenCV3.x版) 论文笔记见：论文笔记-DynaSLAM: Tracking, Mapping and Inpainting in Dynamic Scenes 一. rgbd_tum.cc 新增了一个命名空间和类来进行关于MaskRCNN的处理，先进行这个对象的初始化，
动态场景下基于实例分割的SLAM（毕业设计动景SLAM代码阅读部分）
逆水独流的博客
01-19 2449
四、SLAM代码研究阶段（未完成） 本章节包括：ROS环境配置，DS-SLAM代码阅读笔记 2020.01.16 中午开始聚会，上午简单做点准备工作。首先从DS-SLAM开始。 麻烦了，居然是需要ROS环境，我虚拟机还没配置过，唉，估计配置完一上午又没了（起得晚）。 基本配置思路是2017年的一篇博客：https://www.linuxidc.com/Linux/2017-08/146030....
DynaSLAM-3 DynaSLAM中Mask R-CNN部分源码解析（Ⅱ）
qq_41694024的博客
01-30 503
FPN的原理及候选框的生成
DynaSLAM代码详解(5) — Tracking.cc跟踪线程
几度春风里的博客
07-10 1263
DynaSLAM的跟踪线程与ORB-SLAM2的跟踪线程类似，负责估计运动信息、跟踪局部地图。总体来说，ORB-SLAM2跟踪部分主要包括两个阶段，第一个阶段包括三种跟踪方法：用参考关键帧来跟踪、恒速模型跟踪、重定位跟踪，它们的目的是保证能够“跟的上”，但估计出来的位姿可能没那么准确。第二个阶段是局部地图跟踪，将当前帧的局部关键帧对应的局部地图点投影到该帧，得到更多的特征点匹配关系，对第一阶段的位姿再次优化得到相对准确的位姿。与ORB-SLAM不同。
【学习记录】Dynaslam源代码魔改-替换MaskRCNN为YoloV5
博客标题不能为空我也没办法
12-03 2666
Dynaslam代码修改，替换内部的MaskRCNN为YoloV5，代码已开源
DynaSLAM-7 DynaSLAM中双目运行流程（Ⅰ）：加载Mask R-CNN网络部分MaskNet.cc
qq_41694024的博客
02-02 609
DynaSLAM中初始化Mask R-CNN部分代码解析
DynaSLAM环境配置过程详解（Ubuntu16.04+python2.7+Tensorflow-gpu1.4.0+Keras2.0.8)
qq_27399933的博客
07-25 3096
电脑硬件配置及软件安装版本说明： CPU: i7-10750H 显卡：RTX2060 各软件安装版本： Nvidia-Driver Version: 440.82 CUDA Version: 8.0 Cudnn Version:6.0 安装显卡驱动+CUDA8.0+Cudnn6.0： 这些基于Ubuntu的深度学习环境配置我在另一篇博客中有详细说明，在这里不在赘述，参考如下资料即可。 另一篇博客地址： Ubuntu16.04配置Mask-RCNN环境 CUDA历史版本下载： https://deve
dynaslam源码解析
07-27
对于DynaSLAM源码的解析，根据引用\[1\]提供的信息，可以按照main函数向下细分的顺序来记录动态物体去除（inpaint的部分本篇不涉及）的源码的写法。然而，由于引用\[1\]中没有提供具体的源码内容，我无法给出详细的解析。同时，引用\[1\]还提到了关于ORB-SLAM2本身的部分不会太涉及到，这也说明了DynaSLAM源码的主要关注点并非ORB-SLAM2本身。 另外，引用\[2\]提到了Mask R-CNN源码的地址，但是与DynaSLAM源码无直接关联。Mask R-CNN是一种用于目标检测和实例分割的深度学习模型，而DynaSLAM是一种用于动态场景下的跟踪、建图和修复的SLAM系统。因此，这两个源码之间的关系需要进一步明确。 总之，根据提供的引用内容，我无法给出DynaSLAM源码的详细解析。如果您有其他问题或需要更多信息，请提供更具体的内容，我将尽力帮助您。 #### 引用[.reference_title] - *1* [DynaSLAM源码笔记-检测动态物体部分梳理](https://blog.csdn.net/catpico/article/details/121092624)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [DynaSLAM-2 DynaSLAM中Mask R-CNN部分源码解析（Ⅰ）](https://blog.csdn.net/qq_41694024/article/details/128797090)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [DynaSLAM-5 DynaSLAM中Mask R-CNN部分源码解析（Ⅳ）](https://blog.csdn.net/qq_41694024/article/details/128818501)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
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