Rcnn->Sppnet->Fast Rcnn->Faster Rcnn->R-FCN->Yolo

最新推荐文章于 2022-11-26 11:53:06 发布
最新推荐文章于 2022-11-26 11:53:06 发布
阅读量1k 收藏
点赞数
分类专栏： 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/u010789558/article/details/53036873
版权
本文介绍了目标检测技术的发展，从Rcnn开始，通过Selective Search生成候选框，再到Sppnet引入金字塔池化提高效率，接着Fast R-CNN优化了特征提取，Faster R-CNN引入RPN网络加速，R-FCN通过位置敏感池化减少计算，最后讨论了Yolo的损失函数设计，尤其关注小目标的检测。
摘要由CSDN通过智能技术生成

Rcnn流程:
(1) 使用Selective Search生成大约2000个候选框
(2) 将每个候选框送入CNN提取特征
(3) 将提取到的特征送入SVM分类

这里写图片描述

Selective Search:
(1) 使用一种过分割手段，将图像分割成小区域
(2) 查看现有小区域，合并可能性最高的两个区域。重复直到整张图像合并成一个区域位置
(3) 输出所有曾经存在过的区域，所谓候选区域

候选区域生成和后续步骤相对独立，实际可以使用任意算法进行。

合并规则

优先合并以下四种区域：
- 颜色（颜色直方图）相近的
- 纹理（梯度直方图）相近的
- 合并后总面积小的
- 合并后，总面积在其BBOX中所占比例大的

保证合并操作的尺度较为均匀，避免一个大区域陆续“吃掉”其他小区域。

例：设有区域a-b-c-d-e-f-g-h。较好的合并方式是：ab-cd-ef-gh -> abcd-efgh -> abcdefgh。
不好的合并方法是：ab-c-d-e-f-g-h ->abcd-e-f-g-h ->abcdef-gh -> abcdefgh。
保证合并后形状规则。
上述规则只涉及区域的颜色直方图、纹理直方图、面积和位置。合并后的区域特征可以直接由子区域特征计算而来，速度较快。

多样化与后处理

为尽可能不遗漏候选区域，上述操作在多个颜色空间中同时进行（RGB,HSV,Lab等）。在一个颜色空间中，使用上述四条规则的不同组合进行合并。所有颜色空间与所有规则的全部结果，在去除重复后，都作为候选区域输出。

Rcnn会对2000个候选框重复使用CNN提取特征，在实际应用时很耗时。

Sppnet:
CNN在接受图像输入时由于后面FC层需要固定长度的输入所以也需要将输入的图像归一到固定的大小，但是不管是crop或者wrap都会造成图像信息的缺失或者扭曲，这会导致最终的训练结果不好
这里写图片描述
Sppnet在最后一层conv和fc层之间添加了金字塔式池化层，金字塔式池化的size和stride都是根据feature map的大小而变化的，假设feature map的大小是x×x，池化有n×n个bins(即需要把feature map分成n×n块)，则窗口尺寸为size=⌈x/n⌉，步长为str=⌊x/n⌋，参考下图
这里写图片描述
图中金字塔式池化有三层，分别是4×4，2×2，1×1，分别把feature map分为16，4，1块池化

Sppnet的训练有两种一种式single-size一种式multi-size，single-size使用归一的图像大小，而multi-size使用不同的图像大小，论文中multi-size的训练使用224×224，和180×180的大小，两种大小的图片仅是分辨率不同，实验证明multi-size对于尺度有更好的鲁棒性。

Sppnet从feature map到原图的映射
原文中说道，由于conv层和pool层的padding所以映射很复杂，为了简化映射，我们假定如果size=p我们的padding=⌊p/2⌋，在ZF模型中对于conv5中的点(x,y)映射回原图的感受野的中心(x’,y’)=(Sx,Sy),这里S是前面所有层的stride的乘积，那么从原图向conv5映射时，左上边界x’=⌊x/S⌋+1,右下边界x’=⌈x/S⌉-1,这里如果padding不是⌊p/2⌋的话，需要给x加上一个偏置，这里的映射可能并不是很精确，没关系我们还有边框回归。Sppnet相对于Rcnn速度提升很大，因为Sppnet不会重复用CNN提取特征，Sppnet提取整张图的特征，再利用映射找到原图中候选框在feature map中的位置。

RCNN
这里写图片描述
RCNN的所由计算都是不共享的，并且候选框用ss方法生成，所以速度最慢

SPPnet 和 fast rcnn
这里写图片描述
Sppnet和fast rcnn把候选框映射到最后一层conv层，所以前面的cnn是共享的只有后面的fc层是不共享的，速度比之RCNN更快

faster rcnn
这里写图片描述
faster rcnn相对于fast rcnn把ss换成rpn网络进一步加快了速度

R-FCN
这里写图片描述
考虑到faster rcnn的fc层依然很耗时，作者在fast rcnn前增加一个conv提取空间位置信息，把最后的fc层换位avg pooling，使R-FCN得速度大大提升，并且精度没有降低多少。

position-sensitive pooling:最后一层conv生成k*k*(c+1)通道的feature map，论文中k=3, 也就是把roi分成3*3的区域，分别是左上，左中，左右。。等等，每一个位置对应一个通道的feature map，c代表分类类别，所以一共3*3(9个不同的位置)*21(类别)个通道，pspooling对每一类的9个不同位置pooling输出一个3*3的feature map，一共21类所以输出21通道的3*3的feature map，再对每一个通道的feature map求均值转换为21维向量送入softmax分类

这里写图片描述

更新：关于YOLO损失函数的理解
在YOLO的损失函数中，w和h的平方误差都是按照 w−−√ 和 h√ 来算的，这样在计算梯度的时候后在原有梯度上乘上 w−−√ 和 h√ 的梯度也就是 12w−12 和 12h−12 当w和h小于0.25时 12w−12 和 12h−12 大于1也就是对于小目标来说我们更关注w和h的损失

u010789558
关注
专栏目录
【论文翻译】Fast R-CNN论文原文与中文翻译.rar
10-16
《Fast R-CNN：快速的目标检测》 ...通过特征共享、RoI池化层以及多任务学习，Fast R-CNN奠定了后续更快更精确的目标检测算法，如 Faster R-CNN和YOLO等的基础。这些技术如今已经成为现代计算机视觉系统的核心部分。
深度学习（4）之目标检测模型综述：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
yohnyang的博客
04-30 5861
目标检测模型综述：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 前言 之前我所在的公司七月在线开设的深度学习等一系列课程经常会讲目标检测，包括R-CNN、Fast R-CNN、Faster R-CNN，但一直没有比较好的机会深入（但当你对目标检测有个基本的了解之后，再看这些课程你会收益很大）。但目标检测这个领域实在是太火了，经常会看到...
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
qq_45848817的博客
11-26 4811
计算机视觉中关于图像识别有四大类任务： （1）分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。 （2）定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。 （3）检测-Detection：解决“在哪里？是什么？”的问题，即定位出这个目标的位置并且知道目标物是什么。 （4）分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”
yolo 深度学习_科普 | 深度学习算法三大类：CNN，RNN和GAN
weixin_39832727的博客
12-28 3398
人工智能在近几年处于爆发期，越来越多意想不到的应用被提出，说明AI还有非常多的发展空间。相同的数据型态，利用不同的方法分析，就可以解决不同的课题。例如目前已相当纯熟的人脸识别技术，在国防应用可以进行安保工作；企业可做员工门禁系统；可结合性别、年龄辨识让卖场进行市调分析，或结合追踪技术进行人流分析等。本篇接下来要针对深度学习方法的数据类型或算法，介绍AI常见的应用。以算法区分深度学习应用，算法类别可...
YOLO系列详解：YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7
热门推荐
qq_40716944的博客
03-22 16万+
一、前言 YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。 YOLO官网：https://github.com/pjreddie/darknet 1.1 YOLO vs Faster R-CNN 1、统一网络：YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fa
深度学习实战（七）——目标检测API训练自己的数据集（R-FCN数据集制作+训练+测试）
qq_37764129的博客
05-20 4965
TensorFlow提供的网络结构的预训练权重：https://cloud.tencent.com/developer/article/1006123 将voc数据集转换成.tfrecord格式供tensorflow训练用：https://blog.csdn.net/guoyunfei20/article/details/80626040 训练自己的数据集大体流程如右侧所示： caff...
faster-rcnn.zip
03-16
而Faster R-CNN通过共享全卷积网络（Fully Convolutional Network，FCN）的权重来预测图像中的潜在目标区域，同时进行分类和回归，从而极大地提高了效率。 在Faster R-CNN中，首先，全卷积网络对输入图像进行处理，...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
2. 候选区域/窗 + 深度学习分类，如 R-CNN、Fast R-CNN、Faster R-CNN 等 3. 基于深度学习的回归方法，如 YOLO、SSD、DenseBox 等 三、候选区域/窗 + 深度学习分类 候选区域/窗 + 深度学习分类是目标检测算法的一...
计算机视觉经典论文合集2012-2019
12-26
包括经典的分类网络: ... 语义分割网络: FCN,Unet,InstanceFCN,DeepLab-V1,DeeplabV3,SeNet,DeeplabV3+ ...SPP,RCNN,Fast R-CNN,Net,SSD,R-FCN,Faster R-CNN,MaskR-CNN,YOLO 另有NLP,机器翻译,图像风格转换论文若干
基于python-opencv-yolo的目标检测.zip
最新发布
09-06
常见tow stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。 2）One Stage 不用RP，直接在网络中提取特征来预测物体分类和位置。 任务流程：特征提取–> 分类/定位回归。 常见的one ...
RCNN系列，包含RCNN、SPPNET、Fast RCNN、Faster RCNN、YOLO等
11-03
R-CNN系列PPT，包含RCNN、SPPNET、Fast RCNN、Faster RCNN、YOLO的介绍，算法的细节介绍。
py-R-FCN的ResNet50和ResNet101预训练模型
02-21
就是两个预训练模型，分别是ResNet-50的和ResNet-101的预训练模型。直接下载解压就行了。对了，是原版的RFCN哦，就是Caffe+Python的，不是tensorflow的model。
【目标检测四】 R-FCN使用教程（测试或训练自己的数据）
gusui7202的博客
02-21 3217
用了好久，都没写，还是按惯例写一下。总体步骤其实就是上面流程图那样。安装、配置、下载预训练模型、放入自己数据、修改模型结构然后训练和测试，每个模型都是这个流程。 安装 1.下载源码 https://github.com/Orpine/py-R-FCN Py=python版本 2.安装caffe依赖和caffe 1）安装依赖 pip install cython pip i...
基于深度学习的计算机视觉：原理与实践（上部）
02-19
本课程适合具有一定深度学习基础，希望发展为深度学习之计算机视觉方向的算法工程师和研发人员的同学们。基于深度学习的计算机视觉是目前人工智能最活跃的领域，应用非常广泛，如人脸识别和无人驾驶中的机器视觉等。该领域的发展日新月异，网络模型和算法层出不穷。如何快速入门并达到可以从事研发的高度对新手和中级水平的学生而言面临不少的挑战。精心准备的本课程希望帮助大家尽快掌握基于深度学习的计算机视觉的基本原理、核心算法和当前的领先技术，从而有望成为深度学习之计算机视觉方向的算法工程师和研发人员。本课程系统全面地讲述基于深度学习的计算机视觉技术的原理并进行项目实践。课程涵盖计算机视觉的七大任务，包括图像分类、目标检测、图像分割（语义分割、实例分割、全景分割）、人脸识别、图像描述、图像检索、图像生成（利用生成对抗网络）。本课程注重原理和实践相结合，逐篇深入解读经典和前沿论文70余篇，图文并茂破译算法难点, 使用思维导图梳理技术要点。项目实践使用Keras框架(后端为Tensorflow)，学员可快速上手。通过本课程的学习，学员可把握基于深度学习的计算机视觉的技术发展脉络，掌握相关技术原理和算法，有助于开展该领域的研究与开发实战工作。另外，深度学习之计算机视觉方向的知识结构及学习建议请参见本人CSDN博客。本课程提供课程资料的课件PPT（pdf格式）和项目实践代码，方便学员学习和复习。本课程分为上下两部分，其中上部包含课程的前五章（课程介绍、深度学习基础、图像分类、目标检测、图像分割），下部包含课程的后四章（人脸识别、图像描述、图像检索、图像生成）。
【ZJU-Machine Learning】使用RCNN和FCN进行目标检测
SuperSources的博客
02-20 557
目标检测的基本问题 Classification and Localization 如上图，我们将目标检测问题分割成了分类和定位两类大问题，分类是给出当前区域物体的类别，定位是给出准确的物体坐标（组成一个矩形） RCNN 用大大小小的方框遍历所有图像不现实，如何快速挑出可能有物体的区域（Region of Interest, ROI）。我们需要一个计算量不那么大的算法，提出ROI的候选区域（Region of Proposals, or Proposals） 为了将CNN用在目标检测上，我们设计了如下步骤
R-FCN、SSD、YOLO2、faster-rcnn和labelImg实验笔记
none
11-20 1万+
R-FCN、SSD、YOLO2、faster-rcnn和labelImg实验笔记 转自：https://ask.julyedu.com/question/7490 R-FCN paper:https://arxiv.org/abs/1605.06409 作者代码：https://github.com/daijifeng001/R-FCN #matlab版本 这里使用pyt
R-FCN：基于区域的全卷积网络来检测物体
灰巧克力爱松露
06-29 4万+
CVPR 2016 阅读~ 原文标题为“R-FCN: Object Detection via Region-based Fully Convolutional Networks ”。
几种目标检测网络模型对比（RCNN系列、Mask-RCNN、R-FCN、YOLO、SSD、FPN等）
Dominic_S的博客
11-20 2万+
RCNN RCNN具体原理解析 网络分为四个部分：区域划分、特征提取、区域分类、边框回归 区域划分：使用selective search算法画出2k个左右候选框，送入CNN 特征提取：使用imagenet上训练好的模型，进行finetune 区域分类：从头训练一个SVM分类器，对CNN出来的特征向量进行分裂 边框回归：使用线性回归，对边框坐标进行精修 优点：ss算法比滑窗得到候选框高效一些；使用...
R-FCN+ResNet-50用自己的数据集训练模型(python版本)
小咸鱼_的博客
11-17 4万+
说明： 本文假设你已经做好数据集，格式和VOC2007一致，并且Linux系统已经配置好caffe所需环境（博客里教程很多），下面是训练的一些修改。 py-R-FCN源码下载地址： https://github.com/Orpine/py-R-FCN 也有Matlab版本： https://github.com/daijifeng001/R-FCN 本文用到的是pyth
深度学习目标检测：R-CNN与YOLO算法解析
R-CNN系列算法，如R-CNN、SPP-net、Fast R-CNN、Faster R-CNN和R-FCN，采用了两阶段方法，首先生成候选框，然后对这些框进行分类和位置回归。这种方法虽然准确性较高，但在速度上存在不足，因为每个候选框都需要独立...
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