RCNN，Fast-RCNN 理解

最新推荐文章于 2024-05-29 22:01:54 发布
最新推荐文章于 2024-05-29 22:01:54 发布
阅读量285 收藏 1
点赞数 2
分类专栏： 目标检测 文章标签： 目标检测 人工智能 计算机视觉
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_53029963/article/details/122395707
版权

目录

RCNN

Fast-RCNN

RCNN

深度学习目标检测的开山之作。

RCNN的算法流程：

1、一张图像生成1k-2k个候选区域（使用Selective Search方法）

2、对每个候选区域，使用深度网络提取特征

3、特征送入每一类的SVM分类器，判别是否属于该类

4、使用回归器精细修正候选框位置

 --1、Selective Search算法

     

    输入：彩色图片。

    输出：物体可能的位置，即是很多的矩形坐标。

    首先，我们使用Graph-Based图像分割将图片初始化为很多小区域 R=ri,…,rn。

    初始化一个相似集合为空集： S=∅。

    计算所有相邻区域之间的相似度，放入集合 S 中，集合 S 保存的是区域对以及它们之间的相似度。

    找出 S 中相似度最高的区域对，将它们合并，并从 S 中删除与它们相关的所有相似度和区域对。重新计算这个新区域与周围区域的相似度，放入集合 S 中，并将这个新合并的区域放入集合 R 中。重复这个步骤直到 S 为空。

    从 R 中找出所有区域的 bounding box（即包围该区域的最小矩形框），这些 box 就是物体可能的区域。

    另外，为了提高速度，新合并区域的 feature 可以通过之前的两个区域获得，而不必重新遍历新区域的像素点进行计算。这个 feature 会被用于计算相似度。

原文链接：https://blog.csdn.net/qq_37394634/article/details/103976244

--2、对每个候选区域，使用深度网络提取特征

        将2000候选区域缩放到227*227，将候选区域输入预先训练好的AlexNet CNN 网络，获取4096维的特征得到2000*4096矩阵。

--3、特征送入每一类的SVM分类器，判别是否属于该类：

将2000*4096的特征矩阵与20个SVM组成的权值矩阵4096*20相乘，获得2000*20的概率矩阵，每一行代表一个建议框属于每个目标的类别的概率，每一列代表不同框属于特定目标类别的不同概率（如猫）。分别对上述2000*20的矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框。得到该列即该类中得分最高的建议框。

非极大值抑制（NMS）剔除重叠边界框：

IoU：交并比

先寻找得分最高的目标，再计算其他目标与该目标的iou值，删除所有iou值大于给定阈值的目标。

经过ss算法得到的边界框不是太准确，需要修正位置

--4、使用回归器精细修正候选框位置

        针对CNN输出的特征向量进行预测

        对NMS处理后剩余的建议框进一步筛选，分别用20个回归器对上述20个类别中剩余的建议框进行回归操作，最后每个类别修正后得分最高的bounding box。根据预测的边界框中心点坐标，高，宽 和真实的边界框4个点进行回归。（回归操作见faster RCNN）

RCNN问题：

1、检测一张图片需要53秒，用ss算法大约2秒，一张图像的候选框有太多重复，冗余

2、SVM 和边界框回归器，需要将每个图像的每个目标候选框进行提取特征，再放入磁盘，占内存很大。 

Fast-RCNN

流程：

1、一张图像生成1k-2k个候选区域（使用Selective Search方法）

2、将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上获得相应的特征矩阵

3、将每个特征矩阵通过ROI pooling（Region of Interest 感兴趣区域）层缩放到7*7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果。（分类结果和回归结果）

 一次性计算整张图的特征：

大幅度提高速度 

训练数据（正样本，负样本），不是取ss算法提取后的所有边界框

将预测的边界框与真实的边界框的Iou大于0.5，设为正样本，并不是所有的都用，随机采取一部分

IOU在0.1-0.5之间，认为是负样本

ROI pooling层经过最大池化下采样，缩放到7*7大小的特征图，

将特征图分成7*7个网格，每个网格进行最大池化下采样

 分类器：经过softmax后，概率和为1，全连接层N+1个节点

 边界框回归器：

 dx，dy是用来调整候选边界框的回归的参数，归一化后的，vx=（Gx-Px）/Pw,vy一样，

vw = log（Gw/Pw）

用指数防止出现负值

 

 p0是候选区域为背景的概率

即softmax交叉熵损失，pu指当前候选区域预测为u的概率

边界框回归损失：

 

 

 当u>=1,这一项为1，否则为0，u>=1当前的候选区域为真实的类别才用边界框损失，为背景时，u=0，不用边界框损失

 参考：1.1Faster RCNN理论合集_哔哩哔哩_bilibili

我真帅66
关注
专栏目录
R-CNN、Fast RCNN和Faster RCNN网络介绍
chase
08-02 6745
R-CNN、Fast RCNN和Faster RCNN网络介绍
目标检测篇之---RCNN, Fast RCNN, Faster RCNN
weixin_47166887的博客
12-31 2915
RCNN, Fast RCNN, Faster RCNN 刚涉足目标检测，向通过写博客来记录一下自己的学习过程，也希望可以给大家的学习带来一些帮助，今天的2021年的最后一天，希望看到我文章的朋友们，在新的一年里都能学有所成，学有所获！ R-CNN算法最早在2013年被提出，它的出现打开了运用深度学习进行目标检测的大门，从此之后，目标检测的精准度与实时性被不断刷新。R-CNN系列算法自提出之际，就非常引人注目，以至于在之后的很多经典算法中，如SSD、YOLO系列、Mask R-CNN中都能看到它的影子。
rcnn，fast rcnn，faster rcnn
wo99901111999083的博客
06-24 278
一。rcnn是使用神经网络进行目标检测的开山之作，他的灵感来自于alexnet模型的出现，基于神经网络的目标检测的出现撼动了surf和hog等检测算法。 rcnn的具体实现步骤分为四步： 1.使用selective search算法产生1k-2k个候选区。 2.对于每个区域利用 CNN 抽取一个固定长度的特征向量。 （ 而通过 Selective Search 产生的候选区域大小不一，为了与 Alexnet 兼容，R-CNN 采用了非常暴力的手段，那就是无视候选区域的大小和形状，统一变换到 227*
RCNN、Fast RCNN、Faster RCNN对比
qq_32172681的博客
08-27 5748
RCNN、Fast RCNN、Faster RCNN详解参考以下文章： RCNN：https://blog.csdn.net/qq_32172681/article/details/99105617 Fast RCNN：https://blog.csdn.net/qq_32172681/article/details/99194233 Faster RCNN：https://blog.csd...
【机器学习】经典目标检测算法：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍
qq_44832832的博客
12-04 5301
R-CNN系列（R-CNN,fast-RCNN,faster-RCNN）是使用深度学习进行物体检测的鼻祖论文，其中fast-RCNN 以及faster-RCNN都是延续R-CNN的思路。R-CNN全称region with CNN features，其实它的名字就是一个很好的解释。用CNN提取出Region Proposals中的featues，然后进行SVM分类与bbox的回归（定位置）。【RCNN网络结构】 重要思想： （1）通过专门模板去生成候选框（RPN）,寻找前景以及调整边界框（基于锚框） （2）
RCNN fast-RCNN faster-RCNN
02-10
针对RCNN的效率问题，2015年出现了Fast R-CNN，同样由Girshick提出。Fast R-CNN的核心改进在于： 1. **共享卷积特征**：整个图像只进行一次CNN前向传播，生成全局特征图，然后对候选区域进行RoI池化，提取局部特征...
经典深度学习论文 rcnn fast-rcnn faster-rcnn mask -rcnn yolo系类 DOTA
04-13
这一领域的几个里程碑式的工作包括RCNN、Fast R-CNN、Faster R-CNN、Mask R-CNN以及YOLO系列。这些模型的发展推动了物体检测技术的进步，提高了速度和精度。 1. **RCNN（Region-based Convolutional Neural ...
fast-rcnn-master压缩包
03-26
**Fast R-CNN详解** Fast R-CNN是2015年由Ross Girshick提出的用于目标检测的深度学习算法，它是R-CNN（Regions with ...这个"fast-rcnn-master"压缩包是一个很好的起点，可以帮助你深入理解和实践目标检测技术。
Faster-RCNN-TensorFlow-Python3-master
12-04
总的来说，"Faster-RCNN-TensorFlow-Python3-master"为深入理解Faster R-CNN算法及其在TensorFlow中的实现提供了一个宝贵的资源。通过这个项目，你可以提升自己的计算机视觉技能，为其他相关领域的研究打下坚实的...
Fast R-CNN_RCNN_FastRCNN实现_faster-rcnn_CNN_fasterRCNN_
10-02
**Fast R-CNN、RCNN与Faster R-CNN：深度学习目标检测技术解析** 在计算机视觉领域，目标检测是一项核心任务，它涉及到识别...阅读《Fast R-CNN》的论文将深入理解这些概念和技术，为研究或应用提供宝贵的理论支持。
rcnn、fast rcnn、faster rcnn和yolo的算法原理和流程
03-21
本ppt解释了rcnn、fast rcnn、faster rcnn和yolo的算法原理和流程。
faster rcnn 图像识别三大步骤
ysh1026的博客
11-28 980
三大步骤分别是识别、分割、分类。 识别：识别是为了得到rois(region of interests，即感兴趣的区域)。首先在卷基层提取特征，再在每个特征上生成anchor[1]，把anchor在_region_proposal [2]做识别，提取部分anchor得到rois。 分割：上一步中的anchor是相对于原图的，rois自然也是相对于原图的，通过放缩[3]，得到rois相对于特征图的位置，并把特征图上对应的特征截取出来[3]。 分类：得到rois的特征之后，把特征输入全连接层做分类。 .
R-CNN，Fast R-CNN详解
fakerth的博客
11-25 801
R-CNN，Fast R-CNN详解
目标检测方法总结（RFCN/SSD/RCNN/FastRCNN/FasterRCNN/SPPNet/DPM/OverFeat/YOLO）
mustar_2017的博客
07-04 4418
目录(?)[+] 本文转载自： http://blog.csdn.NET/yimingsilence/article/details/53995721 这里搜集了一些关于物体检测的方法分析和介绍，看好哪个可以去详细研究一下，基本都有论文或代码的链接。 这里是简述各种方法，下面有详细叙述 方法选择： ========DPM=========
Fast R-CNN算法及具体训练步骤
热门推荐
Puremelo
12-19 1万+
Fast R-CNN算法及其具体训练步骤 Fast R-CNN算法是R-CNN算法的进一步衍生算法，它通过引入ROI pooling层，避免了R-CNN算法对同一区域多次提取特征的情况从而提高了算法的运行速度，总体流程上虽然仍然无法实现端到端的训练，但是也在R-CNN算法的基础上有了很大的改进。 Fast R-CNN算法在训练时依然无法做到端到端的训练，故训练时依旧需要一些繁琐的步骤，网上很少...
【每日一网】Day2：Fast R-CNN流程简单理解
dudu199806的博客
12-15 580
Fast RCNN 算法简介 Fast R-CNN仍然使用VGG16作为网络的backbone，与R-CNN相比，训练时间快9倍，测试推理时间快213倍，准确率从62%提升到66% 算法流程 Fast R-CNN算法流程可分为三个步骤 1、一张图像生成1k-2k个候选区域（使用selective search）方法 2、将图像输入网络得到相应的特征图，将ss算法生成的候选框投影到特征图上得到相应的特征矩阵 3、将每个特征矩阵通过ROI Pooling层缩放到7x7大小的特征图，接着将特征图展平通过一系列全链
从原论文深度解析RCNN/FastR-CNN/Faster R-CNN理论
认真努力，做一只会飞的毛毛虫。
12-07 8876
1.R-CNN(Region with CNN feature) R-CNN可以说是利用深度学习进行目标检测的开山之作，作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，曾在2010年带领团队获得终身成就奖。R-CNN这篇论文是在2014年提出的，在2014年之前，主流都是一些传统的目标检测算法，使用人为定义特征的方式进行检测，但那些年经典的目标检测算法已经进入了瓶颈期，其发展也非常的缓慢。在2014年，随着R-CNN的提出，将目标检测领域的准确度至少提高了30%，传统的的目标
【深度学习 & 目标检测】R-CNN系列算法全面概述（一文搞懂R-CNN、Fast R-CNN、Faster R-CNN的来龙去脉）
z135733的博客
02-12 8762
RCNN在2013年在目标检测领域首次使用深度学习和卷积神经网络，他与Alex net一起引爆了21世纪第二个十年计算机视觉领域的技术爆炸。后续所有基于深度学习的目标检测——特别是两阶段目标检测算法。如Fast RCNN Faster R-CNN，都是在R-CNN上进行的迭代升级。所以弄懂RCNN特别重要。甚至可以说，没弄懂RCN后边的算法根本就看不懂。候选区域生成：利用Selective Search算法在每张图像上生成约2000个候选区域。这些候选区域被认为是可能包含目标的区域。特征提取。
目标检测 | R-CNN、Fast R-CNN与Faster R-CNN理论讲解
最新发布
houjingchuan的博客
05-29 3471
目标检测：R-CNN、Fast R-CNN与Faster R-CNN理论讲解，根据B站up霹雳吧啦Wz总结。此文章包含R-CNN算法原理讲解、Fast R-CNN算法原理讲解、Faster R-CNN原理讲解、目标检测评价指标介绍与特征金字塔网络FPN讲解。
faster-rcnn 和 mask-rcnn
09-03
- *1* *2* *3* [神经网络学习笔记7——目标检测，语义分割和实例分割中的RCNN、Fast RCNN、Faster RCNN、FCN和Mask RCNN](https://blog.csdn.net/qq_45848817/article/details/127965649)[target="_blank" data-...
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