遥感影像实例分割:Cascade Faster RCNN训练自己的数据

最新推荐文章于 2024-08-07 00:50:08 发布
最新推荐文章于 2024-08-07 00:50:08 发布
阅读量1k 收藏
点赞数 1
分类专栏： 遥感图像处理 深度学习 文章标签： 目标识别 遥感影像 Cascade RCNN
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/u014311125/article/details/117562249
版权
本文详细介绍了Cascade Faster RCNN的工作原理，它通过多阶段的ROIHead逐步提高IOU阈值来改善目标检测效果。在ROIHead部分，作者重写了CascadeRoIHead，并分析了关键参数和前向操作。最后，文章提到了在Colab上进行的测试和测试结果。
摘要由CSDN通过智能技术生成

在这里插入图片描述
Cascade RCNN是在RCNN的two-stage结构的基础上提出的mulit-stage结构的网络。在RCNN网路的ROIHead阶段，为了训练网络需要确定输入ROIHead网络的预选框(proposal)是背景还是前景，传统的做法是计算预选框和真实边框的IOU，与真实边框的IOU大于0.5的预选框为前景（正样本），小于0.5的为背景(负样本)。但是Cascade RCNN的作者提出仅仅使用一个IOU阈值为0.5得到的是低质量的检测器，有两个原因

1）IOU的阈值为0.5会导致很多低质量预选框被作为正样本进入训练。
2）训练阶段可以设置IOU阈值对预选框进行采样，但是在推理阶段，因为没有真实边框，所以会把所有的预选框都作为正样本框输入进行推理，训练阶段输入的正样本框的质量要高于推理阶段输入的样本框的质量，这就是论文里提到的mismatch问题。

那么我们是否可以直接增大IOU的阈值呢，论文作者分析，仅仅通过提升IOU阈值又会有下面两个问题

1、增大阈值后得到的正样本数量会减少，出现过拟合。
2、训练阶段和推理阶段会出现更严重的mismatch的问题。

针对上述问题ÿ

了解本专栏 订阅专栏 解锁全文 超级会员免费看
GHZhao_GIS_RS
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
遥感影像实例分割:MaskRcnn训练自己的数据集
zhaoguanhua的博客
12-18 1605
mask rcnn训练
遥感影像实例分割:Cascade Mask RCNN训练自己的数据
zhaoguanhua的博客
06-15 2215
遥感影像实例分割:Cascade Mask RCNN训练自己的数据
遥感影像实例分割:PoinRend训练自己的数据集
zhaoguanhua的博客
05-11 3620
遥感影像实例分割:PoinRend训练自己的数据集
Cascade R-CNN训练自己的数据
m_buddy的博客
03-07 7576
1. 前言 Cascade RCNN是目标检测非常不错的一种方法，没有过分强调主干网络，而是采用层叠的方式提高IOU阈值来提纯样本，对不同的主干网络都能取得2~4个点的提升。这里使用的是Cascade RCNN example下的vgg-9s-600-rpn-cascade模型，这里的9s代表的是有9个anchor，600代表短边的尺寸，这里记录在使用这个代码训练自己的数据的过程，这里需要的目标检...
Cascade RCNN原理与代码实例讲解
最新发布
禅与计算机程序设计艺术
08-07 948
Cascade R-CNN原理与代码实例讲解 1. 背景介绍 1.1 目标检测概述 目标检测是计算机视觉领域的一个基础性问题,旨在从图像或视频中检测出感兴趣的目标对象,并给出其类别和位置信息。它在安防监控、无人驾驶、医学影像分析等
论文研究 - 使用改进的Mask R-CNN从高分辨率遥感影像中对户外运动场进行实例分割
05-17
针对户外运动场所（足球场，篮球场，网球场和棒球场）的地物（特征）识别，提出了一种基于Mask R-CNN的物体识别方法和技术流程。 首先，通过对高空间分辨率遥感影像（HSRRSI）进行预处理，并收集户外运动场馆的人工样本，构建了识别土地覆盖特征的训练数据集。 其次，Mask R-CNN被用作适应户外运动场馆的基本训练模型。 第三，将识别结果与eCognition中的四种面向对象的机器学习分类方法进行了比较。 有效性验证的实验结果表明，Mask R-CNN不仅在技术程序上，而且在户外运动场所（足球场，篮球场，网球场和棒球场）的识别结果均优于传统方法，达到了精度0.8927，召回0.9356，平均精度0.9235。 最后，从实际工程应用的角度出发，使用并验证了训练有素的模型，分别对北京西城区和大兴区的HSRRSI进行了实证应用实验，并对Mask R-CNN训练后的模型进行了推广。经过彻底评估。
图像分割方法在遥感图像分析中的应用
03-03
本文对近年在图像分割技术上出现的常用图像分割算法以及它们的优缺点进行了综述，并介绍了其在遥感图像中的应用，提出了图像分割算法的前景和面临的挑战。
遥感影像场景识别tensorflow-CNN
09-28
遥感影像场景识别—含有代码数据训练模型结果-亲测有效
遥感影像语义分割:PointRend训练自己的数据集
zhaoguanhua的博客
05-11 1785
遥感影像语义分割:PointRend训练自己的数据集
记录遥感影像分割
qq_39661689的博客
08-19 1万+
原文地址https://www.sohu.com/a/218292615_642762 上两个月参加了个比赛，做的是对遥感高清图像做语义分割，美其名曰“天空之眼”。这两周数据挖掘课期末project我们组选的课题也是遥感图像的语义分割，所以刚好又把前段时间做的成果重新整理和加强了一下，故写了这篇文章，记录一下用深度学习做遥感图像语义分割的完整流程以及一些好的思路和技巧。 数据集 首先介...
使用 VisualDL 助力遥感影像地块分割 （PaddleX 篇）
qq_35325630的博客
11-26 1888
使用 VisualDL 助力遥感影像地块分割 （PaddleX 篇） 本项目利用 PaddleX 以及 PaddleSeg 两个套件分别实现遥感影像地块分割； 更重要的是想给大家展示一下如何利用VisualDL这个强大的可视化工具来辅助训练及调参； 这个工具非常好用，在模型训练中给了我很大的帮助，也希望看完本文之后这个工具能给你带来帮助，也希望大家能去GitHub给点一点star，让官方把这个工具做的越来越好 最近百度与CCF合作举办了遥感影像地块分割的比赛，希望该项目可以帮助大家提高成绩
【图像分割】基于K-means算法实现遥感图像分类附Matlab代码
matlab_dingdang的博客
07-04 797
一 实验目的：利用matlab软件，通过K-means算法的方法处理给定的7幅遥感图像，将其分成水域、居民区和其他三类区域。二 实验方法：1 遥感图像的分类[1]遥感图像是通过反映地物光谱信息的像元亮度值及反映地物空间信息的像元空间变化来表征不同地物的。对遥感图像中各类地物的光谱信息和空间信息进行分析,选择特征(能够反映地物光谱信息和空间信息并可用于遥感图像分类处理的变量),并用一定的方式将特征空间划分为互不重叠的子空间,然后将图像中各个像元划归到各个子空间去。这就是图像分类。
Cascade RCNN检验代码 demo.py
Snoopy_Dream
08-16 1406
来源自：https://gist.github.com/makefile/6731ca0e311b6401681c15635bb97330   import os import sys import argparse import numpy as np from PIL import Image, ImageDraw import cv2 import time # Make sure ...
python netcdf4读取nc格式的气象数据
热门推荐
zhaoguanhua的博客
12-05 2万+
一、nc格式数据介绍 二、nc格式数据读取 #!usr/bin/env python # -*- coding: utf-8 -*- """ @Author : zhaoguanhua @Email : zhaogh@hdsxtech.com @Time : 2019/12/4 16:45 @File : weather.py @Software: PyCharm """ im...
基于6s模型的遥感影像大气校正方法
zhaoguanhua的博客
04-10 1万+
基于6s模型的遥感影像大气校正方法
MODIS数据行列号图
zhaoguanhua的博客
03-28 1万+
遥感影像语义分割:数据集制作
zhaoguanhua的博客
08-15 9414
数据集标注建议：最好在大图上进行标记，然后进行切割 分块代码
遥感影像道路提取:Improved Road Connectivity by Joint Learning of Orientation and Segmentation
zhaoguanhua的博客
02-23 8683
文章目录一、道路提取难点二、本文贡献三、方法3.1、方向学习3.2、连接优化3.3、堆叠式多分支模块 一、道路提取难点 二、本文贡献 三、方法 3.1、方向学习 3.2、连接优化 3.3、堆叠式多分支模块 ...
cascade RCNN相较于Mask RCNN和Faster RCNN的改进
08-09
### 回答1： Cascade RCNN 是 Mask RCNN 和 Faster RCNN 的改进版本，它通过分级的形式提高了检测精度和速度。 与 Faster RCNN 相比，Cascade RCNN 在检测每个目标物体前，先进行多次预测，这样可以逐步缩小搜索范围，从而提高速度和准确率。 与 Mask RCNN 相比，Cascade RCNN 可以更快地对目标物体进行识别和分割，同时也能提高分割精度。 因此，Cascade RCNN 是一个更快、更准确的目标检测模型，能够更好地适用于实际场景。 ### 回答2： Cascade RCNN是目标检测算法中的一种改进方法，相较于Mask RCNN和Faster RCNN，它有以下改进： 首先，Cascade RCNN引入了级联结构，通过级联多个分类器来逐步提高目标检测的准确性。具体而言，Cascade RCNN使用了三个级联的分类器，每个分类器都是在前一个分类器的基础上进行训练和改进。这种级联结构使得Cascade RCNN能够通过多个阶段的训练和筛选，逐渐剔除误检目标，提高最终的检测准确率。 其次，Cascade RCNN还引入了IoU（Intersection-over-Union）掩码融合技术，用于进一步提升检测的准确性。具体而言，当一个检测框被某个分类器接受后，该分类器将会生成一个IoU掩码，用于与下一个级联分类器进行融合。这样，级联分类器之间可以共享和利用更多的IoU信息，从而提高目标的定位和分类准确性。 此外，在训练过程中，Cascade RCNN还采用了一种动态采样策略，用于平衡正负样本之间的比例。具体而言，Cascade RCNN在每个级联分类器中根据不同的IoU阈值动态选择正负样本，使得每个分类器都能够针对不同难度的样本进行训练。这种动态采样策略有效地改善了样本不平衡问题，提高了目标检测算法的鲁棒性和泛化能力。 综上所述，Cascade RCNN相较于Mask RCNN和Faster RCNN在目标检测的准确性上进行了改进，通过引入级联结构、IoU掩码融合和动态采样策略，能够提高检测的准确率，并且适用于不同难度的场景。 ### 回答3： Cascade RCNN是一种用于目标检测的模型，它在Mask RCNN和Faster RCNN的基础上做出了一些改进。 首先，Cascade RCNN基于级联的思想，将目标检测任务分解为多个级联的子任务。它通过连续级联的检测器来提高检测器的精度。每个级联检测器都专注于解决特定的问题，如检测物体的小尺寸、难以分辨的物体以及物体之间的重叠等。 其次，Cascade RCNN引入了一种新的训练策略，即级联训练。它将输出预测结果的阈值设定为一个动态阈值，而不是固定的阈值。在级联训练中，第一个级联的检测器使用较宽松的阈值进行训练，以尽可能多地检测出目标。然后，第二个级联的检测器使用第一个级联的输出作为输入，并使用较严格的阈值进行训练，以减少误检率。通过这种级联的训练策略，Cascade RCNN能够同时保持较高的召回率和较低的误检率。 另外，Cascade RCNN还引入了IoU（Intersection over Union）损失函数来进一步优化模型。IoU损失函数可以衡量检测预测框与真实框之间的相似度，通过最小化IoU损失，可以提高目标检测的准确性。 综上所述，Cascade RCNN相较于Mask RCNN和Faster RCNN的改进包括：引入级联的思想和训练策略、使用动态阈值和IoU损失函数来提高目标检测的精度。通过这些改进，Cascade RCNN在目标检测任务中具有更高的准确性和鲁棒性。
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

打赏作者

GHZhao_GIS_RS

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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