基于深度学习的目标检测方法:R-CNN

最新推荐文章于 2024-07-29 17:35:19 发布

迷上微笑

最新推荐文章于 2024-07-29 17:35:19 发布

阅读量2k

点赞数

分类专栏：机器学习与深度学习

本文链接：https://blog.csdn.net/u013989576/article/details/72482050

版权

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：