【目标检测算法实现系列】Keras实现Faster R-CNN算法（三）

最新推荐文章于 2021-10-16 18:33:01 发布
最新推荐文章于 2021-10-16 18:33:01 发布
阅读量1.1k 收藏 7
点赞数
分类专栏： 目标检测 计算机视觉 深度学习 文章标签： 深度学习 计算机视觉 目标检测
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/u010057965/article/details/100774292
版权
本文是Keras实现Faster R-CNN目标检测算法系列的第三篇，详细介绍了从RPN网络到ROIPooling层的实现过程，包括应用回归预测调整anchor位置、非极大值抑制选择有效anchor，以及构造精分类和精回归的训练数据的步骤。后续将进行模型训练和预测。
摘要由CSDN通过智能技术生成

【目标检测算法实现系列】Keras实现Faster R-CNN算法（一）

【目标检测算法实现系列】Keras实现Faster R-CNN算法（二）

在此之前，我们主要实现了相关数据的解析，预处理等准备工作，以及对应Faster RCNN的相关网络模块搭建。接下来我们接着实现其他部分。

一、从RPN网络到ROIPooling层

在上一篇中，我们实现了一个自定义的ROIPooling层，这次我们看下如何建立RPN与ROIpool层之间的联系。下面，我们看下如何代码实现，通过RPN网络的输出，来指定对应ROIPing层的输入。

def rpn_to_roi(rpn_cls_layer, rpn_regr_layer, C, use_regr=True, max_boxes=300,overlap_thresh=0.9):
    '''
    建立rpn网络与roi pooling层的连接
    通过rpn网络的输出，找出对应的roi
    :param rpn_cls_layer:  rpn网络的分类输出
    :param rpn_regr_layer:  rpn网络的回归输出
    :param C:
    :param dim_ordering:
    :param use_regr:
    :param max_boxes:
    :param overlap_thresh:
    :return:
    '''
    regr_layer = rpn_regr_layer / C.std_scaling

    anchor_sizes = C.anchor_box_scales
    anchor_ratios = C.anchor_box_ratios

    assert rpn_cls_layer.shape[0] == 1
    (rows, cols) = rpn_cls_layer.shape[1:3]

    curr_layer = 0
    # A.shape = (4个在feature_map上的对应位置信息（左上角和右下角坐标）， feature_map_height, feature_map_wigth, k(9))
    A = np.zeros((4, rpn_cls_layer.shape[1], rpn_cls_layer.shape[2], rpn_cls_layer.shape[3]))
    for anchor_size in anchor_sizes:
        for anchor_ratio in anchor_ratios:

            anchor_x = (anchor_size * anchor_ratio[0])/C.rpn_stride   #对应anchor在feature map上的宽度
            anchor_y = (anchor_size * anchor_ratio[1])/C.rpn_stride   #对应anchor在feature map上的高度
            # if dim_ordering == 'th':
            #     regr = regr_layer[0, 4 * curr_layer:4 * curr_layer + 4, :, :]
            # else:
            #     regr = regr_layer[0, :, :, 4 * curr_layer:4 * curr_layer + 4]  #当前anchor对应回归值
            #     regr = np.transpose(regr, (2, 0, 1))
            regr = regr_layer[0, :, :, 4 * curr_layer:4 * curr_layer + 4]  # 当前anchor对应回归值
            X, Y = np.meshgrid(np.arange(cols), np.arange(rows))

            A[0, :, :, curr_layer] = X - anchor_x/2   #左上点横坐标
            A[1, :, :, curr_layer] = Y - anchor_y/2   #左上纵横坐标
            A[2, :, :, curr_layer] = anchor_x   #暂时存储anchor 宽度
            A[3, :, :, curr_layer] = anchor_y   #暂时存储anchor 高度

            if use_regr:
                #通过rpn网络的回归层的预测值，来调整anchor位置
                A[:, :, :, curr_layer] = apply_regr_np(A[:, :, :, curr_layer], regr)

            A[2, :, :, curr_layer] = np.maximum(1, A[2, :, :, curr_layer])
            A[3, :, :, curr_layer] = np.maximum(1, A[3, :, :, curr_layer])
            A[2, :, :, curr_layer] += A[0, :, :, curr_layer]  #右下角横坐标
            A[3, :, :, curr_layer] += A[1, :, :, curr_layer]  #右下角纵坐标

            #确保anchor不超过feature map尺寸
            A[0, :, :, curr_layer] = np.maximum(0, A[0, :, :, curr_layer])
最低0.47元/天 解锁文章
9完美并不美
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
目标检测系列6—Keras搭建Faster-RCNN
Xiaobai_rabbit0的博客
07-16 990
Faster-RCNN什么是FasterRCNN目标检测算法Faster-RCNN实现思路1、预测部分1.1、主干网络介绍1.2、代码实现2、获得Proposal建议框2.1、Proposal网络介绍2.1.1、Proposal代码实现2.2、Proposal建议框的解码2.2.1、Proposal建议框的解码代码实现2.3、对Proposal建议框加以利用（RoiPoolingConv）3、在原图上进行绘制4、整体的执行流程二、训练部分1、建议框网络的训练1.1、实现代码2、Roi网络的训练2.1、代码实
目标检测算法
weixin_38650871的博客
05-31 521
算法对比： （1）Yolo的缺陷： 每个网格智能预测一个物体，容易漏检； 对于物体的尺度比较敏感，面对物体尺度变化比较大的物体时泛化能力较差。 （2）two-stage方法和one-stage方法对比： two-stage方法如R-CNN系列算法，主要思想是先通过启发式方法或者CNN网络（RPN），产生一系列稀疏的候选框，然后对这些候选框进行分类和回归，其优势是准确度高。 one-stage方法如Yolo和SSD算法，主要思想是在多层特征图上进行密集抽样，抽样时采用不同的尺度和长宽比，然后利用CNN
YOLO v3目标检测算法的PyTorch实现（压缩包中包含240MB的预训练网络文件）
03-23
本资源为YOLO v3目标检测算法的PyTorch实现（出处：https://github.com/ayooshkathuria/pytorch-yolo-v3），本压缩包中包含了240MB的预训练网络文件，方便难以访问国外服务器的同学下载。
保姆级 Keras 实现 Faster R-CNN 一
Mr-MegRob
10-08 2705
全网最简明的 Keras 复现经典论文 Faster R-CNN, 从零开始搭建网络到训练, 预测
保姆级 Keras 实现 Faster R-CNN 五
Mr-MegRob
10-11 935
全网最简明的 Keras 复现经典论文 Faster R-CNN, 从零开始搭建网络到训练, 预测
【目标检测算法实现系列】Keras实现Faster R-CNN算法（四）
u010057965的专栏
10-09 1421
【目标检测算法实现系列】Keras实现Faster R-CNN算法（一） 【目标检测算法实现系列】Keras实现Faster R-CNN算法（二） 【目标检测算法实现系列】Keras实现Faster R-CNN算法（三） 讲过上面几篇文章，实现了Fater RCNN中的所有模块，这次来具体看下训练和测试过程 一、模型训练 from keras_faster_rcnn import co...
基于Keras实现的Faster-R-CNN安全帽检测模型源码
最新发布
03-25
项目概述：本项目是一个基于Keras框架实现的Faster R-CNN安全帽检测模型，主要用于识别图像中的...本项目以Faster R-CNN算法为基础，针对安全帽这一特定目标进行高效的检测与识别，旨在为安全监控领域提供技术支持。
Keras框架：faster-rcnn目标检测算法实现
06-12
**Keras框架与Faster R-CNN目标检测算法** Faster R-CNN（快速区域卷积神经网络）是一种广泛应用于计算机视觉领域的目标检测算法，它在R-CNN（区域卷积神经网络）和Fast R-CNN的基础上进行了改进，极大地提高了目标...
Faster R-CNN实现安防中安全帽佩戴目标检测（python源码+项目说明）.zip
03-06
【资源说明】 1、该资源包括项目的全部源码，下载可以直接使用！ 2、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和...Faster R-CNN实现安防中安全帽佩戴目标检测（python源码+项目说明）.zip
基于BING算法的目标检测算法的快速实现介绍及代码
07-19
Training a generic objectness measure to produce a small set of candidate object windows, has been shown to speed up the classical sliding window object detection paradigm. We observe that generic objects with well-defined closed boundary can be discriminated by looking at the norm of gradients, with a suitable resizing of their corresponding image windows in to a small fixed size. Based on this observation and computational reasons, we propose to resize the window to 8 × 8 and use the norm of the gradients as a simple 64D feature to describe it, for explicitly training a generic objectness measure. We further show how the binarized version of this feature, namely binarized normed gradients (BING), can be used for efficient objectness estimation, which requires only a few atomic operations (e.g. ADD, BITWISE SHIFT, etc.). Experiments on the challenging PASCAL VOC 2007 dataset show that our method efficiently (300fps on a single laptop CPU) generates a small set of category-independent, high quality object windows, yielding 96.2% object detection rate (DR) with 1,000 proposals. Increasing the numbers of proposals and color spaces for computing BING features, our performance can be further improved to 99.5% DR
运动目标检测算法（Matlab）
08-08
使用matlab编写的运动目标跟踪算法，核心代码均自己手写，包括帧间差分法，ViBe算法和高斯混合建模法，并且使用了matlab GUI，可直接选择视频查看算法效果。
多种目标检测算法
05-12
多种目标检测的算法，背景差分法，混合高斯模型背景建模等
目标检测跟踪算法（源代码）
06-27
视频演示算法包括： 1. 静态背景下的背景预测法目标检测 2. 静态背景下帧间差分法目标检测 3. Mean Shift目标跟踪方法 4. 重心多目标跟踪方法 该框架支持的视频只限于RGB非压缩Windows AVI格式，可以通过“文件”菜单下打开视频来打开视频文件。
keras_frcnn:Keras快速rcnn的实现
04-28
Keras Faster-RCNN [更新] 这项工作已在StrangeAI-一个AI算法中心上公开，您可以在找到（您可以在此网站上找到更多有趣的工作，这是学习AI的很好的资源，StrangeAi的作者维护了AI中的所有应用程序）。 您还可以订阅他们的官方微信帐户： 这是一个基于tensorflow和keras的faster-rcnn的非常有用的实现，该模型非常清晰，仅保存在.h5文件中，开箱即可使用，并在完全支持下易于训练其他数据集。 如果您有任何疑问，请随时通过微信问我：jintianiloveu 更新 该代码仅支持keras 2.0.3，最新版本会导致一些错误。 如果可以解决，请随时给我发送PR。 要求 基本上，此代码同时支持python2.7和python3.5，应安装以下软件包： 张量流 凯拉斯 科学的 cv2 开箱即用的模型可以预测 我已经训练了一种预测Kitti的模
keras 实现faster rcnn目标检测
09-06
**Keras实现Faster R-CNN目标检测** Faster R-CNN（ Faster Region-based Convolutional Neural Network）是一种高效的目标检测算法，它在计算机视觉领域广泛应用于物体识别和定位。Keras是一个高度模块化、用户...
保姆级 Keras 实现 Faster R-CNN 六
Mr-MegRob
10-16 1104
全网最简明的 Keras 复现经典论文 Faster R-CNN, 从零开始搭建网络到训练, 预测
经典目标检测算法详解（R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、YOLO、SSD）
tigerlib的博客
11-19 5584
1 目标检测算法分类 两步走的目标检测：先进行区域推荐，而后进行目标分类 代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN 端到端的目标检测：采用一个网络一步到位 代表：YOLO、SSD ...
每日算法：目标检测算法
qq823722612的博客
08-11 681
昨天贪玩了没有学，今天看两。 --wudibooo 0 简介 目标检测算法分为两类 两步走：先进行区域推荐，而后进行目标分类 R-CNN、SPP-net、Fast R-CNN、Faster R-CRNN 端到端：用一个网络一部到位 YOLO、SSD ...
基于keras 的faster-rcnn 旋转目标检测算法
06-07
在Keras中实现Faster R-CNN旋转目标检测算法可以按以下步骤进行： 1. 数据预处理：将训练数据转换为网络需要的格式，包括图片大小的调整、数据增强等等。 2. 构建模型：搭建Faster R-CNN网络模型，包括特征提取层、RPN层、ROI Pooling层、分类和回归层等。 3. 编译模型：设置模型的优化器、损失函数等参数。 4. 训练模型：对构建好的模型进行训练，并保存训练好的权重。 5. 模型评估：使用测试数据对训练好的模型进行评估，计算模型的精度、召回率等指标。 以下是一个基于Keras实现Faster R-CNN旋转目标检测算法的示例代码： ``` # 数据预处理 # TODO: 数据预处理代码 # 构建模型 input_shape = (None, None, 3) img_input = Input(shape=input_shape) shared_layers = nn.nn_base(img_input, trainable=True) # RPN网络 num_anchors = len(config.RPN_ANCHOR_RATIOS) * len(config.ANGLE_BINS) rpn = nn.rpn(shared_layers, num_anchors) # ROI Pooling层 roi_input = Input(shape=(config.TRAIN_ROIS_PER_IMAGE, 5)) roi_pooling = PyramidROIAlign([config.POOL_SIZE, config.POOL_SIZE], name="roi_align")([shared_layers, roi_input]) # 分类和回归层 x = TimeDistributed(Flatten(name='flatten'))(roi_pooling) x = TimeDistributed(Dense(4096, activation='relu', name='fc1'))(x) x = TimeDistributed(Dropout(0.5))(x) x = TimeDistributed(Dense(4096, activation='relu', name='fc2'))(x) x = TimeDistributed(Dropout(0.5))(x) # 分类和回归输出 cls_output = TimeDistributed(Dense(config.NUM_CLASSES, activation='softmax', kernel_initializer='zero'), name='dense_class_{}'.format(config.NUM_CLASSES))(x) angle_output = TimeDistributed(Dense(num_anchors * config.NUM_ANGLES, activation='linear', kernel_initializer='zero'), name='dense_angle_{}'.format(num_anchors * config.NUM_ANGLES))(x) bbox_output = TimeDistributed(Dense(num_anchors * 4, activation='linear', kernel_initializer='zero'), name='dense_regress_{}'.format(4))(x) # 编译模型 model = Model([img_input, roi_input], [cls_output, angle_output, bbox_output]) model.compile(optimizer=Adam(lr=config.LEARNING_RATE), loss=[losses.class_loss(), losses.angle_loss(), losses.rpn_regress_loss(config.NUM_ANCHORS)]) # 训练模型 # TODO: 训练模型代码 # 模型评估 # TODO: 模型评估代码 ``` 需要注意的是，在实现旋转目标检测时，需要对RoI Pooling和NMS等部分进行修改，以支持旋转矩形的处理。具体实现可以参考上述项目中的代码和论文《R2CNN: Rotational Region CNN for Orientation Robust Scene Text Detection》。
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