基于深度学习的目标检测方法:R-CNN

R-CNN是一种深度学习目标检测方法,包括候选框选择、CNN特征提取、SVM分类和框修正四个步骤。它使用selective search生成候选框,通过预训练的CNN进行特征提取,用SVM进行分类,最后用线性回归修正目标框。训练过程中应用了hard negative mining策略以提高分类器性能。
摘要由CSDN通过智能技术生成

R-CNN

目标检测方面比较全面的资料:https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html

论文:Rich feature hierarchies for accurate object detection and semantic segmentation

该方法主要包括以下流程:候选框的选取、CNN、SVM分类器、修正目标框。

这里写图片描述

--------------------------------------------------------------------------------------------------------------------------------------------------------

候选框的选取

       目前有很多选取候选框的方法,如:objectness, selective search,category-independent object proposals, constrainedparametric min-cuts (CPMC), multi-scale combinatorial grouping 等方法,在该论文中采用的是selective search

       采用selective search方法在一幅图像中产生2k个region proposals,且它们的大小不统一。然而,在CNN结构中需要输入固定大小的图像。因此,在利用CNN提取region proposal的特征时,需要对其进行处理,使其大小为227*227。处理方法有:

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