目标检测----Faster R-CNN认识（一）

最新推荐文章于 2023-10-10 00:30:00 发布
最新推荐文章于 2023-10-10 00:30:00 发布
阅读量283 收藏
点赞数
分类专栏： 目标检测 文章标签： 深度学习 人工智能 计算机视觉 算法
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_45359288/article/details/107871750
版权

百度网盘论文链接，提取码：kk89
https://pan.baidu.com/s/12RDu3WLgH5WcV_Mo3q02xg

或者去arxiv下载《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》.

前言

传统的物体识别算法，比较简单暴力的方法就是滑窗，使用不同大小、不同长宽比的候选框在整幅图像上进行穷尽式的滑窗，然后提取窗口内的特征（例如Haar、LBP、Hog等特征），再送入分类器（SVM、Adaboost等）判断该窗口内包含的是否为某一物体。这种方法简单易理解，但受限于手动设计的特征，召回率和准确率通常不高。
在这里插入图片描述
RCNN和Fast RCNN是依赖滑窗来产生候选框，也就是Selective Search算法，该算法优化了候选框的生成策略，但仍旧会产生大量的候选框，导致Fast RCNN算法，在GPU上的速度也只有三、四帧每秒。直到Faster R-CNN的出现，提出了RPN网络，使用RPN直接预测出候选框的位置。RPN网络一个最重要的概念就是anchor，启发了后面的SSD和YOLOv2等算法，虽然SSD算法称之为default box，也有算法叫做prior box，其实都是同一个概念，他们都是anchor的别称。

先验知识

1、什么是Region Proposal

  • 首先，主流的Object Detection框架分为One-stage（速度较快）和Two-stage（精度较高），而Two-stage多出来的这个stage就是Region Proposal过程。
  • Two-stage目标检测过程主要分为两步：第一步是在图片中寻找可能存在物体的位置（regions），第二步判断这个位置里的物体是什么。
  • Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-Union），就是寻找“可能存在物体位置”的过程。

2、什么是Anchor，有什么用

  • 就是在图像上预设好的不同大小，不同长宽比的参照框。（其实非常类似于上面的滑窗法所设置的窗口大小）
  • 目标检测是“目标在哪里有什么”，但如果让模型盲目的去寻找目标在哪里，不仅效率低，甚至不能收敛。Anchor技术将问题转换成“这个固定参考框中有没有认识的目标，目标框偏离参考框有多远”，可以在很大程度上降低目标检测的难度。
  • 借助神经网络强大的拟合能力，可以直接输出每个anchor是否包含（或者说与物体有较大重叠，也就是IoU较大）物体，以及被检测物体相对本anchor的中心点偏移以及长宽比例
  • 在训练的时候，需要anchor的大小和长宽比与待检测的物体尺度基本一致，才可能让anchor与物体的IoU为正样本，否则，可能anchor为正样本的数目特别少，就会导致漏检很多。
  • 一定要根据数据集物体的宽高比来设置anchor大小，尽量一致
    在这里插入图片描述

3、Anchor和Bouding box

  • Anchor类似于初始化的bouding box，后面模型在学习的时候，只需要学习二者之间的偏移即可，可以大大降低模型收敛速度。
  • 在训练的时候，给每张图片物体的Bounding Box，相对于anchor进行编码，如果物体的Bounding Box与某个anchor的IoU较大，例如大于0.7就认为是正样本，否则是负样本。

简要介绍

  • 是奠定Two-stage目标检测算法巨作，来自何恺明大神。
    2016年Faster R-CNN问世，其相对于Fast R-CNN来说速度更快，得益于在结构上把特征抽取(feature extraction)，proposal提取，bounding box regression(rect refine)，classification都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。
  • Fast R-CNN最耗时的就是region proposal部分（秒级别），所以优化这一部分最有效，Faster R-CNN便是从这里入手。整个过程在GPU上跑起来可以达到一秒钟5帧。
    在这里插入图片描述

RPN网络（region proposal network）

  • Fast R-CNN是可以生成边框的，所以Faster R-CNN在网络之前加上一个神经网络，去生成边框。

  • RPN由一个个anchor组成，预设三种尺度、三种长宽比的anchor，一共9种大小的anchor在featuremap上滑动。featuremap大约有2400个点，最后会生成24009个anchor，这个9是可变的（也可以预设四种尺度、五种长宽比的20种anchor）。anchor在扫过每个点的时候都会预测这里是不是一个物体，再回归出bbox，所以一共会输出24009*6个值，这里的6，其中4个是：在这里插入图片描述
    2个是/否的概率（softmax输出概率，要求和为1）。
    在这里插入图片描述

  • 滑动窗anchor在同一个proposal上平移不变，基于k-means的MultiBox（SSD的核心步骤）方法无法保证平移不变。MultiBox是基于全图全连接做法，会输出800维全连接，参数量庞大。类似于卷积操作的anchor方法，每个滑块参数一样，是512维，再乘以维度6和anchor种类9（一共两万八千参数）。

  • 训练的时候选取IOU > 0.7的框作为正样本，IOU < 0.3作为负样本。
    loss函数和Fast R-CNN一样
    在这里插入图片描述
    接上Fast R-CNN的网络， region proposal也是采用神经网络做计算，使得原来需要2秒现在达到毫秒级别，整个流程下来可以做到实时的级别。

举一个栗子吖
关注
专栏目录
【转】Faster RCNN原理分析（二）：Region Proposal Networks详解
lanyuxuan100的博客
12-12 3307
转自：http://lib.csdn.net/article/deeplearning/61641 Region Proposal Networks是Faster RCNN出新提出来的proposal生成网络。其替代了之前RCNN和Fast RCNN中的selective search方法，将所有内容整合在一个网络中，大大提高了检测速度（语文水平差，所以历史科普请看其他文章T_T）。 缩进
Faster R-CNN论文阅读记录
邹九的个人博客
11-19 619
Faster R-CNN：Faster Region-based Convolutional Network method 该论文的标题是：Towards Real-Time Object Detection with Region Proposal Networks，可以看出Region Proposal Networks(RPNs)是实现实时检测的关键。RPNs：区域建议网络，可以理解为网络输出可能包含类的矩形框（坐标） 论文的链接：https://arxiv.org/abs/1506.01497 简
物体识别网络汇总
zephyr_wang的博客
09-22 503
1 R-CNN: 结合了region proposal和卷积网络，使region proposal方法流行起来； 2 HCP-2014 HCP（hypothesis-CNN-Pooling）.采用BING生成proposal。 3 SSPnet 提升了R-CNN。引入了空间金字塔池化层。 4 Fast R-CNN 扩展了SSPnet，端到端训练，最小化一个损失（confidence 和bounding box 回归）。RPN产生region proposals。 后面提出了mask R-CNN。 5 Ove
Faster R-CNN基于代码实现的细节
热门推荐
博观而约取，深研而广求
08-28 1万+
Faster RCNN github : https://github.com/rbgirshick/py-faster-rcnn Faster RCNN paper : https://arxiv.org/abs/1506.01497 Bound box regression详解 : http://download.csdn.NET/download/zy1034092330/9
Fast R-CNN中的边框回归
Brook_cv的博客
02-18 1273
前面对R-CNN系的目标检测方法进行了个总结，其中对目标的定位使用了边框回归，当时对这部分内容不是很理解，这里单独学习下。 R-CNN中最后的边框回归层，以候选区域(Region proposal)为输入，来对Region proposal中包含的目标进行准将的定位。但是，这个输入的候选区域通常不会正确的包含目标区域，如下图： 绿色边框是飞机的Ground Truth边框，绿色的是Region ...
目标检测论文综述（二）Two-Stage（R-CNN系列）
管住嘴也能迈开腿的Miracle_tb_cool
12-08 2612
——CNN based Two-Stage Detectors 所有论文综述形式均保持如下格式： 1、一页PPT内容总结一篇论文 2、标题格式一致：出处 年份 《标题》 3、内容格式一致：针对XX问题；提出了XX方法；本文证明了XXX 4、把握核心创新点，言简意赅 5、源码链接 目标检测综述，资源列表(论文、官方/非官方代码)——GitHub链接 推荐XMind思维导图软件，简洁明了。 ...
CV-笔记-重读Faster R-CNN即region proposal network(RPN)区域建议网络
BLUE BOX
10-28 3517
Faster R-CNN主要是讲区域建议网络，而ROI pooling部分还是在Fast R-CNN里面介绍的。 RPN region proposal network 利用网络产生region proposal（区域建立，候选区域），在网络的最后一层增加几个卷积层在一个固定的网格中回归包围框和目标分数来构建RPN。 交替训练region proposal和object detection。re...
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
m0_46406029的博客
12-17 9838
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
Faster R-CNN——RPN网络+ROI池化 (目标检测)(two-stage)(深度学习)(NIPS 2015)
星智云图StarImagine
11-23 6865
论文名称：《 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 》 论文下载：https://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-net...
Linux下caffe及Faster-rcnn(python版)安装全过程
07-24
### Linux下caffe及Faster-rcnn(python版)安装全...通过这些步骤,读者可以顺利地在Ubuntu 14.04上搭建起用于深度学习研究的开发环境,尤其是对于目标检测任务中的经典算法——Faster R-CNN有了全面的认识和实践经验。
目标检测.rar
06-09
最后，Faster R-CNN由Ren等人在2015年提出，它是R-CNN家族中的最后一环，也是目前广泛应用的目标检测框架之一。Faster R-CNN引入了一个称为区域提议网络（Region Proposal Network，RPN）的组件，它与检测网络共享卷...
点云从入门到精通技术详解100篇-基于改进 Mask R-CNN 的地铁隧道点云图像渗水检测
最新发布
getusushu的博客
10-10 282
2021 年，李子杰等人提出了一种基于 Mask R-CNN 的螺母表面缺陷分割方法。启发，基于 PointNet 提出的直接对于点云处理的新模型，它优化了 PointNet 在处。等人总结并全面地描述了从 R-CNN 到 Mask R-CNN 的过程及对比细节。Puad 等人利用 Open CV 能够通过计算机视觉检测的特点，进行手势识别，对手的不。许勇等人提出了一种基于 Mask R-CNN 的汉字笔画分割提取方法。随后的 1998 年，他的团队构建的 LeNet-5 让 CNN 开始得到广泛关注。
目标检测中Regional Proposal到底是什么，RPN和Region Proposal、Proposals三者联系
qq_45359288的博客
08-12 7924
目标检测是指在一张图像中能够检测出物体所在的区域并且给出物体类别概率，其核心可以分为定位与识别两大模块。 定位是指我们在目标图像中锁定物体所在的区域，然后送入分类网络完成物体的识别。 Regional Proposal就是一种常用的定位方法 候选区域—Region Proposal Region Proposal是一个区域，bounding box就是这个区域的4条边，而这4条边是用一个4维向量来表示的。 ...
4、什么是crop/warp及二者区别联系
qq_45359288的博客
09-03 5121
crop crop英文意思是裁剪，是直接从图像中截出一部分，保留原图像的真实尺寸比。 常见的crop有两种：1-crop和10-crop。假设原图片大小为256 * 256，而规定的图片大小为224 * 224 1-crop：在256256这张图片的中心位置crop出一个224224大小的区域； 10-crop：分别在左上角、右上角、左下角、右下角和中间分别crop出224 * 224的区域（5个了），再把图片镜像翻转，用同样的方式再crop, 即可得到10个。 warp warp的英文意思是扭曲，而在这.
前端开发Vue项目实战：电商后台管理系统（五）------ 商品管理模块 --- 商品分类功能
qq_45359288的博客
05-09 3108
git checkout -b goods_cate git push -u origin goods_cate 目录1. 通过路由加载商品分类组件2. 绘制商品分类组件的基本页面布局3. 调用API获取商品分类列表数据4. 使用vue-table-with-tree-grid树形表格组件5. 使用自定义模板渲染表格数据列6. 渲染排序和操作对应的UI结构7. 实现分页功能8. 渲染添加分类的对话框和表单9. 获取父级分类数据列表10. 渲染级联选择器11. 根据父分类的变化处理表单中数据
Faster R-CNN论文翻译笔记
qq_45359288的博客
08-10 1327
翻译论文只是为了记录一下自己的学习过程，作为一名目标检测初学者，专业和英文水平都有限，一些专业名词和语法如果不准确或者错误，还请大家见谅并指出。 Abstract 最先进的目标检测网络依赖于region proposal（候选区域）算法来假设目标位置。像SPPnet和Fast R-CNN之类的进步已经减少了这些检测网络的运行时间，暴露出region proposal计算是一个瓶颈。在这项工作中，我们引入了一个区域生成网络（RPN），它与检测网络共享完整的图像卷积特征，从而实现几乎无成本的region pro
目标检测中IOU评价函数
qq_45359288的博客
09-03 1139
IOU定义 在目标检测的评价体系中，有一个参数叫做 IoU ，简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率。具体我们可以简单的理解为： 即检测结果(DetectionResult)与 Ground Truth 的交集比上它们的并集，即为检测的准确率 IoU : 图示 如下图所示：GT = GroundTruth; DR = DetectionResult; 黄色边框框起来的是：GT⋂DR 绿色框框起来的是：GT⋃DR 当然最理想的情况就是 DR 与 GT 完全重合，即 IoU=1 计算 IoU值
R-CNN解读
qq_45359288的博客
08-29 161
《Rich feature hierarchies for accurate oject detection and semantic segmentation》 1、目标检测常见算法 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，即物体在哪里？以及是什么？ 但是因为物体的尺寸变化范围很大，加上摆放物体的角度，姿态不定，且可以出现在图片的任何地方，还可以是多个类别，导致检测问题难以解决。 目前学术和工业界出现的目标检测算法分成3类： 传统的目标检测算法：C
RPN驱动的Faster R-CNN：实时目标检测新进展
Faster R-CNN: "Towards Real-Time Object Detection with Region Proposal Networks" 是一篇重要的计算机视觉研究论文，它着重于解决目标检测领域的实时性问题。在当时，最先进的目标检测网络依赖于区域提议算法来...
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