深度学习-目标检测R-CNN、SPP NET、Fast R-CNN、Faster RCNN浅谈

最新推荐文章于 2022-08-02 16:55:11 发布
最新推荐文章于 2022-08-02 16:55:11 发布
阅读量433 收藏
点赞数
分类专栏： 深度学习 文章标签： 深度学习目标检测
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_41994006/article/details/80799916
版权

 

RCNN

 

RCNN的整体框架流程为：

1、采用Selective Search生成Region proposal(建议窗口)，一张图片大约生成2000个建议窗口，由于Region proposal尺寸大小不一，warp(拉伸)到227*227。

2、运用CNN来提取特征，把每个候选区域送入CNN，提取特征。

3、将提取后的特征送入SVM分类器，用SVM对CNN输出的特征进行分类。

4、Bounding Box回归，用Bounding Box回归校正原来的region proposal，生成预测窗口的坐标。

缺陷:

1、第一步中region proposal由于尺寸不一，要进行缩放，易造成图像失真。

2、每个region proposal要进行CNN操作，计算量大。

 

SPP-NET

SPP-NET流程

1、通过selective search产生一系列的region proposal。对待检测的图片进行搜索出2000个候选窗口。这一步和R-CNN一样。 

 

2、特征提取阶段。这一步就是和R-CNN最大的区别了，同样是用卷积神经网络进行特征提取，但是SPP-Net用的是金字塔池化。这一步骤的具体操作如下：把整张待检测的图片，输入CNN中，进行一次性特征提取，得到feature maps，然后在feature maps中找到各个候选框对应的区域，再对各个候选框采用金字塔空间池化，提取出固定长度的特征向量。

如下图所示，得到的feature map进行1*1、2*2、4*4区域划分，每个区域通过maxpooling分别得到，长度为1、4、16特征，把它们连接到一起得到长度为21特征向量，因此不管spp-net输入特征图尺寸多大都会得到长度为21的特征向量。

3、最后一步也是和R-CNN一样，采用SVM算法进行特征向量分类识别。 

 

 

 

 

总结:

1、解决RCNN中图像伸缩可能造成失真的问题。

2、将整张图片输入CNN特征提取，而RCNN则将每个候选区域进行提取，减少计算量，加快速度。

FAST RCNN

FAST RCNN流程:

1、输入测试图像；

2、利用selective search 算法在图像中从上到下提取2000个左右的建议窗口(Region Proposal)；

3、将整张图片输入CNN，进行特征提取；

4、把建议窗口映射到CNN的最后一层卷积feature map上；

5、通过RoI pooling层使每个建议窗口生成固定尺寸的feature map；ROIpooling layer实际上是SPP-NET的一个精简版，SPP-NET对每个proposal使用了不同大小的金字塔映射，而ROI pooling layer只需要下采样到一个7x7的特征图.对于VGG16网络conv5_3有512个特征图，这样所有region proposal对应了一个7*7*512维度的特征向量作为全连接层的输入。

6、利用Softmax Loss(探测分类概率) 和Smooth L1 Loss(探测边框回归)对分类概率和边框回归(Bounding box regression)联合训练.

 

 

总结

把多个任务的损失函数写到一起，实现单级的训练过程；

 

FASTER RCNN

FASTER RCNN流程：

1、首先向CNN网络【ZF或VGG-16】输入任意大小图片；

2、经过CNN网络前向传播至最后共享的卷积层，一方面得到供RPN网络输入的特征图，另一方面继续前向传播至特有卷积层，产生更高维特征图；

3、供RPN网络输入的特征图经过RPN网络得到区域建议和区域得分，并对区域得分采用非极大值抑制【阈值为0.7】，输出其Top-N【文中为300】得分的区域建议给RoI池化层；

4、第2步得到的高维特征图和第3步输出的区域建议同时输入RoI池化层，提取对应区域建议的特征；

5、第4步得到的区域建议特征通过全连接层后，输出该区域的分类得分以及回归后的bounding-box。

 

 

 

下一篇博客会详细介绍faster r-cnn

 

参考：https://blog.csdn.net/u014696921/article/details/52824118

           https://blog.csdn.net/u013129427/article/details/73162817

           https://shartoo.github.io/RCNN-series/

【目标检测】：SPP-Net深入理解（从R-CNN到SPP-Net）
极歌科技
08-04 589
一. 导论 SPP-Net是何凯明在基于R-CNN的基础上提出来的目标检测模型，使用SPP-Net可以大幅度提升目标检测的速度，检测同样一张图片当中的所有目标，SPP-Net所花费的时间仅仅是RCNN的百分之一，而且检测的准确率甚至会更高。那么SPP-Net是怎么设计的呢？我们要想理解SPP-Net，先来回顾一下RCNN当中的知识吧。下图为SPP-Net的结构： 二. RCNN rcn...
目标检测之RCNN，SPP-NET，Fast-RCNN，Faster-RCNN
浩瀚之水的专栏
01-30 741
写在前面 在深度学习出现之前，传统的目标检测方法大概分为区域选择（滑窗）、特征提取（SIFT、HOG等）、分类器（SVM、Adaboost等）三个部分，其主要问题有两方面：一方面滑窗选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。自深度学习出现之后，目标检测取得了巨大的突破，最瞩目的两个方向有：1 以RCNN为代表的基于Region Proposal的深度学习目
目标检测技术演进：从R-CNN、Fast R-CNN、Faster R-CNN到YOLO、SSD
AI视觉Daily
01-30 1315
目标检测技术演进：从R-CNN、Fast R-CNN、Faster R-CNN到YOLO、SSD 文章目录目标检测技术演进：从R-CNN、Fast R-CNN、Faster R-CNN到YOLO、SSD前言一、目标检测常见算法二、传统目标检测算法三、候选区域/窗 + 深度学习分类四、基于深度学习的回归方法五、思路总结 前言 1.目标检测（object detection）：就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度
RCNN系列，包含RCNN、SPPNET、Fast RCNN、Faster RCNN、YOLO等
11-03
R-CNN系列PPT，包含RCNN、SPPNET、Fast RCNN、Faster RCNN、YOLO的介绍，算法的细节介绍。
深度学习之目标检测：R-CNN、Fast R-CNN、Faster R-CNN
fenglepeng的博客
05-28 3558
object detection就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么 这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。 object detection技术的演进：RCNN->SppNET->Fast-RCNN->Faster-RCNN 传统的目标检测方法 传统的目标检测方法一般分为
1：基于深度学习的目标检测技术：RCNN、Fast R-CNN、Faster R-CNN
PADS123的专栏
12-22 1134
原文：https://www.cnblogs.com/skyfsm/p/6806246.html，感谢博主的分享 object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以
深度学习的目标检测技术演进：R-CNN、FastR-CNN、FasterR-CNN
01-27
深度学习在目标检测领域的进步主要体现在一系列技术的演进上，包括R-CNN、Fast R-CNN和Faster R-CNN。这些方法都是针对对象检测的核心挑战：在图像中精准定位物体并确定其类别。 **目标检测的基本概念** 目标检测...
R-CNN、SPPNet、Fast Rcnn、Faster R-CNN 原理以及区别
01-06
  R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先使用Selective ...
R-CNN,SPP-NET, Fast-R-CNN,Faster-R-CNN, YOLO, SSD, R-FCN学习总结（持续更新）
RCNN
09-03 3199
R-CNN这个领域目前研究非常活跃，先后出现了R-CNN，SPP-net，Fast R-CNN，Faster R-CNN，R-FCN，YOLO，SSD等研究，Ross Girshick（rbg大神）作为这个领域的开山鼻祖总是神一样的存在，R-CNN、Fast R-CNN、Faster R-CNN、YOLO都和他有关。这些创新的工作其实很多时候是把一些传统视觉领域的方法和深度学习结合起来了，比如选择...
Faster-RCNN_TF-master.zip_CNN_faster_faster R-CNN_faster rcnn tf
09-24
Faster R-CNN（快速区域卷积神经网络）是一种用于目标检测的深度学习算法，它在计算机视觉领域具有广泛的应用。这个"Faster-RCNN_TF-master.zip"压缩包文件包含了一个使用TensorFlow实现Faster R-CNN的项目源代码。...
91.R-CNN，Fast R-CNN，Faster R-CNN原理及执行与训练的实例+实现自己的目标检测 - 向阳的博客 -
08-03
R-CNN，全称为Region-based Convolutional Neural Networks，是深度学习在目标检测领域的一个里程碑式算法。它在2014年被提出，是后续Fast R-CNN和Faster R-CNN的基础。R-CNN的主要贡献在于将传统的图像识别技术与...
基于深度学习的目标检测技术 RCNN，fast-RCNN和faster-RCNN
Andyato的博客
04-02 338
看到几篇文章，感觉写的挺好的，在此，就不整理了，直接放上原文链接好了。 https://www.cnblogs.com/skyfsm/p/6806246.html https://blog.csdn.net/linolzhang/article/details/54344350 https://zhuanlan.zhihu.com/p/31426458...
算法了解：RCNN、SPP-Net、Fast-RCNN、Faster-RCNN
不精，不诚，不足以动人
12-14 551
1 RCNN（2014年） 1.1 发明背景 2012年AlexNet在ImageNet举办的ILSVRC中大放异彩，R-CNN作者受此启发，尝试将AlexNet在图像分类上的能力迁移到PASCAL VOC（1万图像，20类，标定类别和位置）的目标检测上。这就要解决两个问题： 如何利用卷积网络去目标定位 如何在小规模的数据集上训练出较好的网络模型。 1.2 解决思路 针对问题1，R-CNN利用候选区域的方法（Region Proposal），这也是该网络被称为R-CNN的原因：Regions wi
R-CNN、SPPNet、Fast R-CNN、Faster R-CNN
weixin_43889476的博客
08-11 662
目录1.R-CNN1.1 目标检测-Overfeat模型1.2 完整R-CNN结构1.2.1 特征向量训练分类器SVM1.2.2 非最大抑制(NMS)1.2.3 修正候选区域2.R-CNN的改进-SPPNet2.1改进的地方2.2 spatial pyramid pooling3. Fast R-CNN3.1改进的地方:3.2 Rol pooling3.2.1多任务损失-Multi-task loss4 Faster R-CNN4.1算法改进4.2 RPN原理4.3Faster RCNN训练 1.R-CN
Rcnn->Sppnet->Fast Rcnn->Faster Rcnn->R-FCN->Yolo
u010789558的博客
11-04 1092
Rcnn流程: (1) 使用Selective Search生成大约2000个候选框 (2) 将每个候选框送入CNN提取特征 (3) 将提取到的特征送入SVM分类Selective Search: (1) 使用一种过分割手段，将图像分割成小区域 (2) 查看现有小区域，合并可能性最高的两个区域。重复直到整张图像合并成一个区域位置 (3) 输出所有曾经存在过的区域，所谓候选区域候
RCNN系列总结（RCNN,SPPNET,Fast RCNN,Faster RCNN）
Mingjian_LI的博客
01-04 9656
传统的目标检测方法大概分为区域选择、特征提取（SIFT、HOG等）、分类器（SVM等）三个部分，其主要问题有两方面：一是区域选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。以下介绍基于Region Proposal的深度学习目标检测算法R-CNN->SPP-NET->Fast R-CNN->Faster R-CNN. R-CNN 创新点 采用CNN网络
基于深度学习目标检测方法R-CNN、Fast R-CNN、Faster R-CNN演进简介
qq_33485434的博客
06-05 341
object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。object detection技术的演进：RCNN->SppN...
深度学习目标检测之RCNN、SPP-net、Fast RCNN、Faster RCNN
liuy9803的博客
10-03 901
一、目标检测介绍 目标检测（目标提取）是一种基于目标几何和统计特征的图像分割，将目标的分割和识别合二为一，主要是明确从图中看到了什么物体、它们分别在什么位置。传统的目标检测方法一般分为三个阶段：首先在给定的图像上选择一些候选区域，然后对这些区域提取特征，最后使用分类器进行分类。 1、区域选择 传统的目标定位方法是穷举法，由于目标可能在图片的任意位置且大小不定，因此需要使用不同长宽的滑动窗口对...
R-CNN、Fast RCNN和Faster RCNN网络介绍
chase
08-02 6839
R-CNN、Fast RCNN和Faster RCNN网络介绍
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