目标检测之Faster R-CNN

一、目标检测之Faster R-CNN

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

二、Faster R-CNN算法

1、Faster R-CNN基本结构

在这里插入图片描述
Faster R-CNN分为以下四个内容:

  • Conv layers:作为一种CNN网络目标检测方法,Faster R-CNN首先使用一组基础的conv+relu+pooling层提取image(任意大小)的feature maps。常用一些预训练好的网络(VGG、Inception、Resnet等);该feature maps被共享用于后续RPN层和全连接层。
  • Region Proposal NetworksRPN网络用于生成region proposals。该层通过softmax判断anchors属于foreground或者background,再利用bounding box regression修正anchors获得精确的proposals。
  • RoI Pooling。该层收集输入的feature maps和proposals,综合这些信息后提取proposal feature maps,送入后续全连接层判定目标类别。
  • Classifier:利用proposal feature maps计算proposal的类别,同时再次bounding box regression获得检测框最终的精确位置。

2、Faster R-CNN网络结构

在这里插入图片描述
上图展示了Python版本中的VGG16模型中的faster_rcnn_test.pt的网络结构:

  • 该网络对于一副任意大小PxQ的图像,首先缩放至固定大小MxN,然后将MxN图像送入网络;而Conv layers中包含了13个conv层+13个relu层+4个pooling层
  • RPN网络首先经过3x3卷积,再分别生成foreground anchors与bounding box regression偏移量,然后计算出proposals;
  • ROI Pooling层则利用proposals从feature maps中提取proposal feature送入后续全连接和softmax网络作classification(即分类proposal到底是什么object)。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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