Mask-R-CNN(3)利用有效特征层获得建议框

最新推荐文章于 2023-05-17 10:47:57 发布
最新推荐文章于 2023-05-17 10:47:57 发布
阅读量462 收藏 1
点赞数
分类专栏： Mask R-CNN 深度学习
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_51143009/article/details/116074264
版权

看视频讲解的时候看评论区说有必要了解一下Fast-R-CNN网络，所以看了一下，觉得有个挺好的：
https://blog.csdn.net/weixin_44936889/article/details/103788908?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-1&spm=1001.2101.3001.4242

Region Proposal Network（RPN层）
ROI（Region of Interest， 感兴趣区域）
t代表target，即回归值

在这里插入图片描述

1.利用有效特征层获得建议框
在这里插入图片描述
特征层对图像进行网格的划分之后，每个网格的先验数量（anchors_per_location）是3，所以卷积后的结果就相当于包含了特征层对应网格上的每个网格内部是否真实的包含物体，后面我们进行reshape到维度是2，2是一个判断网络，即判断先验框内部是否包含物体第二个维度是先验框的调整参数
在这里插入图片描述
share层有一个anchors_per_location*4的操作，这就相当于每个网格先验框的调整参数，用这个层做reshape操作，我们可以获得batch_size, num_anchors（每个网格的先验数量）,4shape的内容，

在这里插入图片描述
特征层传入到网络rpn（ p)中，（logits）,(classes)softmax,(bbox)先验框的辗转参数 （）遍历之后将数据放到列表中，对三个列表进行堆叠，即获得先验框的所有种类，即先验框内是否包含物体和调整参数

3.Mask-R-CNN的先验框：就是一些认为规定好的区域，内部可能包含物体可能不包含物体。
get_anchors获得先验框

Mask-R-CNN安装（一）
qq_43404472的博客
04-05 1582
从github网址进行下载。在本地windows系统中，所需下载的位置处，鼠标右击，选择git bush here。注意：这里是利用git bush方式进行下载。
Mask R-CNN --CNN提取图像特征
ilinda的博客
12-20 5669
这是根据多篇文章整理的文件，仅供参考！ 卷积神经网络(CNN)提取图像特征 卷积神经网络(CNN)是局部连接网络。相对于全连接网络其最大的特点就是：局部连接性和权值共享性。因为对一副图像中的某个像素p来说，一般离像素p越近的像素对其影响也就越大（局部连接性）；另外，根据自然图像的统计特性，某个区域的权值也可以用于另一个区域(权值共享性)。这里的权值共享说白了就是卷积核共享，对于一个卷积核将其与...
特征层
weixin_35749545的博客
12-19 794
在机器学习和深度学习中，特征层是指用于从原始数据中提取特征的层。它通常位于神经网络的输入层或隐藏层。 特征层通常使用卷积或池化运算来学习有用的特征，这些特征可以帮助网络更好地解决问题。例如，在图像分类任务中，特征层可以学习到图像中的纹理和边缘，这些特征对于识别图像中的对象非常重要。 特征层通常位于神经网络的前几层，而后面的层则使用这些特征来执行分类或回归任务。在深度学习中，通常使用多个特征层来提取...
特征选择性掩码(selection mask)
斯人若彩虹，遇上方知有！
10-02 1549
通过使用掩码提取CNN的某一层的特征，具体效果看下图 1、sift_mask 代码实现： function mask = sift_mask(f,Hf,Wf,H,W) % Hf和Wf是图像特征描述符的宽度和高度 % f是sift的特征描述符，这里使用sift进行提取 x_ratio = H/Hf; y_ratio = W/Wf; % 四舍五入 f(1,:) = round(f(1,:)/y_ratio); f(2,:) = round(f(2,:)/x_ratio); mask = ..
关于原始特征、有效特征、特征提取、特征选取
On the road to profession
03-30 3934
一：特征： 特征分为原始特征、有效特征。 1.1 原始特征： 可以通过测量直接得到的特征。 原始特征通常有很大冗余，如果直接将原始特征作为分类特征送入分类器，不仅使分类器复杂、计算量大，且分类错误率不一定小，因此有必要减少特征数目，以获取少而精的分类特征。 1.2 有效特征： 有代表性、分类性能好的特征（通常是采用特征提取、特征选取方法获得的）。 特点： ①类内稳定，即类内差异小，...
Mask RCNN使用及实现详解（2）
qq_39210987的博客
08-31 516
模型架构 1、 简介 Mask RCNN是faster RCNN的扩展形式，faster RCNN是一种目标检测算法，可以有效的检测图像中的目标。mask RCNN在faster RCNN的基础上还能为每个实例生成高质量的分割掩码。 2、 模型架构 开源实现：https://github.com/matterport/Mask_RCNN 网络架构 首先是以resnet为骨架的特征金字塔网络（FPN），这里主要是利用resnet网络来提取图像的特征。相较有普通的resnet网络来说，FPN网络并不是是直接使
目标检测模型---SSD
gg13213的博客
05-11 5112
目标检测定义
Face-Mask-Detection-Using-CNN
03-15
此外，也可能设计专门针对口罩检测的网络结构，比如利用 Faster R-CNN 或 YOLO 这样的目标检测框架，结合区域提议网络（Region Proposal Network, RPN）来实现面部区域的定位和口罩状态的判断。 训练与优化过程则...
60.从R-CNN到Mask R-CNN1
08-04
R-CNN系列方法在图像检测领域尤为突出，从最初的R-CNN到Fast R-CNN、Faster R-CNN，再到Mask R-CNN，这些方法的迭代升级揭示了深度学习在解决图像识别问题上的逐步进步。 1. R-CNN（Region-based Convolutional ...
基于 Mask R-CNN 及 Yolov4 的电力巡检中绝缘子缺陷研究
03-26
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，对于像绝缘子串珠这样的小目标检测特别有效。在电力巡检中，首先根据不同的绝缘子类型对图像进行分类，然后通过优化的图像分割...
RPN之生成anchors
QQ2206487433的博客
05-17 1854
看不懂anchor生成方法，就看不懂参数。 faster_rcnn的anchors生成 在这里我就不看faster_rcnn的anchors生成源代码了，我们用numpy自己去实现，在128*128大小的图片中生成anchors. 开始上代码 import numpy as np import matplotlib.pyplot as plt import matplotlib.patc...
经典实例分割模型Mask RCNN原理与测试
个人博客
07-19 2880
Mask R-CNN是He Kaiming大神2017年的力作，其在进行目标检测的同时进行实例分割，取得了出色的效果。
RPN 解析
热门推荐
lanran2的博客
01-12 10万+
RPN全称是Region Proposal Network，Region Proposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络； 1. RPN的意义 RPN第一次出现在世人眼中是在Faster RCNN这个结构中，专门用来提取候选框，在RCNN和Fast RCNN等物体检测架构中，用来提取候选框的方法通常是Selective Se
Faster-RCNN（二）之RPN层
xue_csdn的博客
08-06 1307
RPN层是Faster-RCNN网络的特有层，全称为：区域生成网络（Region Proposal Networks），用来提取供后边检测的区域。它替代了Fast-RCNN的selective search，大大提高提取区域框的速度和精度。 Faster-RCNN网络结构图如下（图片仍然来源于 https://www.cnblogs.com/zyly/p/9247863.html） 图1 RPN...
基于 Mask R-CNN 中边界框回归知识讲解（重点是代码）
qq_35874169的博客
11-02 3582
一、 边界框回归的概念     如图所示，红色的框代表原始的建议框（proposal region），绿色的框代表目标的真实边界框（ground truth）。边界框回归的目标是：寻找一种映射关系，使得原始的建议框（红色）经过映射变为一个与真实边界框（绿色）更接近的边界框（蓝色）。一个矩形框通常可以用x、y、w、h四个参数表示（它们分别表示窗口中心点的坐标以及矩形框的宽高）。 二、公式讲解     边界框回归的这种映射关系可以表示为：     边界框 G^\hat{G}G^ 可以通过下式得到，其中PPP
实例分割--Mask RCNN详解（ROI Align / Loss Fun）
qinghuaci666的博客
07-03 5万+
1 总结架构与主要思想未完待续。。。
Mask RCNN使用及实现详解（5）
qq_39210987的博客
08-31 1871
模型的输入与数据加载 1、 模型输入 从模型的训练与预测中可以看到实际创建的模型是一个名为MaskRCNN的类相关代码片段如下： 训练创建模型的代码 预测创建模型的代码 这个类的初始化方法如下： def __init__(self, mode, config, model_dir): """ mode: Either "training" or "inference" config: A Sub-class of the Config class model_dir: D
目标检测中One-stage检测算法 -＞ SSD
哆啦A梦爱学习的博客
03-04 1572
点击上方“码农的后花园”，选择“星标”公众号 精选文章，第一时间送达 SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上...
RPN（RegionProposal Network），ROI Pooling， roi align，双线性插值
最新发布
m0_56175815的博客
05-17 4720
RPN是Region Proposal Network的缩写，是Faster R-CNN中的一部分。RPN的作用是用于生成候选物体区域（Region of Interest，RoI），即提出可能包含物体的区域，以便后续的物体检测和识别。
R-CNN：利用CNN特征进行区域对象检测
R-CNN利用高容量的卷积神经网络（CNN）对自底向上的区域提议进行处理，以实现对象的定位和分割。同时，它还利用预训练的CNN模型在有限的标注训练数据上进行微调，从而提升性能。与传统的基于SIFT和HOG特征的方法相比...
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