Faster R-CNN理解、讨论

最新推荐文章于 2024-07-06 14:25:51 发布

沈子恒

最新推荐文章于 2024-07-06 14:25:51 发布

阅读量2.5w

点赞数 17

分类专栏：神经网络|深度学习|matlab

本文链接：https://blog.csdn.net/shenziheng1/article/details/82907663

版权

Faster R-CNN是Shaoqing Ren在2016年提出的目标检测框架，解决了R-CNN和Fast R-CNN的速度问题。它整合了特征提取、区域提案网络、边界框回归和分类，实现End-to-End训练。通过区域提案网络（RPN）生成候选区域，RoI Pooling层提取目标特征，再进行分类和精确定位。Faster R-CNN的关键创新是RPN，它使用预先训练的VGG模型计算特征图，通过9个不同比例的锚点生成候选框，并通过回归修正，提高了检测速度。

摘要由CSDN通过智能技术生成

论文 : Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. PAMI2017.

GitHub :

1. matlab version : https://github.com/ShaoqingRen/faster_rcnn

2. python version : https://github.com/rbgirshick/py-faster-rcnn

3. 补充程序Detectron : https://github.com/facebookresearch/Detectron (Detectron is Facebook AI Research's software system that implements state-of-the-art object detection algorithms, including Mask R-CNN. It is written in Python and powered by the Caffe2 deep learning framework.)

1. 前言

在Faster R-CNN出现之前，已经存在了R-CNN（无法实现End-to-End训练）和Fast R-CNN（Selective Search耗时），Shaoqing Ren在2016年NIP上提出了Faster R-CNN. 从上面的结构上，我们能够看出来，Faster R-CNN将特征提取、proposal提取、Bounding Box Regression、Classification整合到一个网络中，目标检测速度有了很大的提升。与R-CNN、Fast R-CNN相比，Faster R-CNN具体执行步骤如下：

特征提取(convolutional layer)。Faster R-CNN首先使用一组基础的conv+relu+pooling层提取候选图像的特征图。该特征图被共享用于后续RPN（Region Proposal Network）层和全连接(fully connection)层。
区域候选网络(Region Proposal Network)。RPN网络用于生成区域候选图像块。该层通过softmax判断锚点(anchors)属于前景(foreground)或者背景(background)，再利用边界框回归(bounding box regression)修正anchors获得精确的proposals。
目标区池化(Roi Pooling)。该层收集输入的特征图和候选的目标区域，综合这些信息后提取目标区域的特征图，送入后续全连接层判定目标类别。
目标分类(Classification)。利用目标区域特征图计算目标区域的类别，同时再次边界框回归获得检测框最终的精确位置。

由此，我们也能看出，Faster R-CNN最大的亮点在于提出了一种有效定位目标区域的方法，然后按区域在特征图上进行特征索引，大大降低了卷积计算的时间消耗，所以速度上有了非常大的提升。

以如上GitHub中Python的项目为例，可以更加直接分析Faster R-CNN的设计思想。

对于任意PxQ的图像，首先裁剪到固定大小MxN。然后，利用VGG16全卷积模型计算该图像对应的特征图。
特征图的一个分支输入RPN网络用于计算Region Proposal。RPN网络首先经过3x3卷积，再分别生成前景锚点(foreground anchors)与边界框回归(bounding box regression)偏移量ÿ