【深度学习项目】带你一文读懂R-CNN（Region with CNN feature）

已于 2025-01-10 10:01:08 修改
阅读量6.6k 收藏 40
点赞数 41
分类专栏： 深度学习 文章标签： 深度学习 cnn 机器学习 人工智能 神经网络
于 2024-12-15 05:00:00 首次发布
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/u014608435/article/details/144446223
版权

文章目录

介绍

R-CNN（Region-based Convolutional Neural Network）是目标检测领域的一个重要里程碑，它首次将深度学习技术成功应用于目标检测任务中。R-CNN由Ross Girshick等人于2014年提出，并在PASCAL VOC等多个基准数据集上取得了当时最佳的表现。

R-CNN的工作流程

  • 候选区域生成（Selective Search）：
    • 使用一种名为选择性搜索（Selective Search）的算法从输入图像中提取大约2000个候选区域（Region Proposals）。这些候选区域旨在覆盖图像中所有可能的对象。
  • 特征提取：
    • 对每个候选区域进行变形以适应固定尺寸（如227x227像素），然后通过一个预训练的卷积神经网络（通常是AlexNet）来提取特征。这一步骤中的CNN权重是在ImageNet数据集上预先训练好的，然后再针对目标检测任务进行微调。
  • 分类与回归：
    • 提取到的特征向量被送入支持向量机（SVMs）进行分类，确定每个候选区域所属的类别。
    • 同时，使用线性回归模型对每个候选区域的边界框进行精修，以提高定位精度。
  • 非极大值抑制（Non-Maximum Suppression, NMS）：
    • 由于同一对象可能会被多个候选区域覆盖，因此最后一步是对重叠度较高的预测结果应用NMS算法，保留置信度最高的那个边界框作为最终输出。

R-CNN的优点

  • 开创性：它是首个成功结合深度学习和候选区域生成方法的目标检测框架，为后续研究奠定了基础。
  • 高精度：在当时的基准测试中，R-CNN显著提升了目标检测的准确率。

R-CNN的局限性

  • 计算效率低：因为需要对每个候选区域单独运行一次完整的CNN前向传播过程，所以R-CNN非常耗时，难以满足实时处理的需求。测试一张图片约53s(CPU)。用SelectiveSearch算法提取候选框用时约2秒，一张图像内候选框之间存在大量重叠，提取特征操作冗余。
  • 内存占用大：为了存储每个候选区域的特征向量，R-CNN需要大量的内存空间。对于SVM和bbox回归训练，需要从每个图像中的每个目标候选框提取特征，并写入磁盘。对于非常深的网络，如VGG16，从VOC07训练集上的5k图像上提取的特征需要数百GB的存储空间
  • 训练复杂：训练过程中涉及三个独立步骤（CNN微调、SVM训练、边界框回归），导致整个训练流程较为繁琐。

R-CNN的发展

  • 随着技术的进步，R-CNN系列不断演进，衍生出了Fast R-CNN、Faster R-CNN等改进版本，它们通过共享卷积特征图、引入区域建议网络等方式解决了原始R-CNN的一些问题，大幅提高了检测速度和效率。例如：
    • Fast R-CNN：实现了特征共享，减少了重复计算；直接在全连接层上进行边界框回归和分类，简化了训练流程。
    • Faster R-CNN：进一步引入了区域建议网络（RPN），实现了候选区域生成与检测一体化，成为现代两阶段目标检测器的标准架构之一。

R-CNN可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次 在PASCAL VOC的目标检测竞赛中折桂，曾在2010年带领团队获得终身成就奖。

R-CNN详解

RNN框架

在这里插入图片描述

算法流程

  • RCNN算法流程可分为4个步骤：
      1. 一张图像生成1K~2K个候选区域(使用SelectiveSearch方法)
      1. 对每个候选区域使用深度网络提取特征
      1. 特征送入每一类的SVM分类器，判别是否属于该类
      1. 使用回归器精细修正候选框位置

在这里插入图片描述

1.候选区域的生成

利用SelectiveSearch算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体。
在这里插入图片描述

2.深度网络提取特征

将2000候选区域缩放到227x227pixel，接着将候选区域输入事先训练好的AlexNetCNN网络获取4096维的特征得到2000×4096维矩阵。
在这里插入图片描述

3.SVM分类器判定

特征送入每一类的SVM分类器，判定类别。将2000×4096维特征与20个SVM组成的权值矩阵4096×20相乘，获得2000×20维矩阵表示每个建议框是某个目标类别的得分。分别对上述2000×20维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一些建议框。

在这里插入图片描述
在这里插入图片描述

非极大值抑制剔除重叠建议框

IoU(Intersection over Union) 表示(A∩B)/(A∪B)
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

4.精细修正候选框位置

  • 对NMS处理后剩余的建议框进一步筛选。接着分别用20个回归器对上述20个类别中剩余的建议框进行回归操作，最终得到每个类别的修正后的得分最高的 boundingbox。
  • 如图，黄色框口P表示建议框RegionProposal，绿色窗口G表示实际框Ground Truth，红色窗口Gˆ表示RegionProposal进行回归后的预测窗口，可以用最小二乘法解决的线性回归问题。
  • 依旧针对CNN 输出的特征向量进行预测。
    在这里插入图片描述
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
2301_78398209的博客
04-19 1182
有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。换言之，这个网络层可以把不同大小的输入映射到一个固定尺度的特征向量，而我们知道，conv、pooling、relu等操作都不需要固定size的输入，因此，在原始图片上执行这些操作后，虽然输入图片size不同导致得到的feature map尺寸也不同，不能直接接到一个全连接层进行分类，但是可以加入这个神奇的ROI Pooling层，对每个region都提取一个固定维度的特征表示，再通过正常的softmax进行类型识别。
R-CNN算法详解
AI之路
06-03 2万+
这是一篇比较早的Object Detection算法，发表在2014年的CVPR，也是R-CNN系列算法的开山之作，网上可以搜到很多相关的博客讲解，本篇博文没有按论文顺序来讲述，而是结合自己经验来看这个算法，希望给初学者一个直观的感受，细节方面不需要太纠结，因为很多部分在后来的算法中都改进了。论文：Rich feature hierarchies for accurate object detect
Faster R-CNN ：模型结构详解
最新发布
Wei_sx的博客
02-20 1731
Faster R-CNN 的结构设计通过结合特征提取、候选区域生成、RoI处理以及目标分类和回归，大幅提高了目标检测的速度和精度。每个组成部分相辅相成，使得整个模型能够有效处理复杂的视觉场景，广泛应用于自动驾驶、视频监控和智能医疗等领域。
RCNN系列算法
qq_42301955的博客
10-24 1560
R-CNN总结
目标检测 | R-CNN、Fast R-CNN与Faster R-CNN理论讲解
houjingchuan的博客
05-29 8277
目标检测：R-CNN、Fast R-CNN与Faster R-CNN理论讲解，根据B站up霹雳吧啦Wz总结。此文章包含R-CNN算法原理讲解、Fast R-CNN算法原理讲解、Faster R-CNN原理讲解、目标检测评价指标介绍与特征金字塔网络FPN讲解。
目标检测-RCNN系列
热门推荐
跟随技术的脚步-linolzhang的专栏
01-11 7万+
•   RCNN        RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。        算法可以分为四步：        1）候选区域选择        Region Proposal是一类传统的区域提取方
RCNN(Regions with Convolutional Neural Network Feature)
u011961856的专栏
08-03 2792
背景知识 在目标检测评价中,有一个参数定位准确率,即IOU,IOU计算公式如下: ​ 简单来说,IOU就是模型预测的bounding box与标记bounding box的重合率. 通常我们预测的bounding box是无法与标记bounding box完全重合的,例如下面几种情况: 因此可以通过求两个bounding box的重合率即IOU,并设定一个阈值t0,并认为IOU值
R-CNN
Gavin的专栏
02-12 283
R-CNN framework 下图展示了R-CNN检测框架的流程。 1. 输入图片； 2. 对输入图片应用selective search算法，产生约2,000个region proposals（实际为1565个，详见实验结果）； 3. 对所有的region proposals进行预处理，使其大小相等（277*277*3，详见CNN网络定义）。并将处理后的regi...
【深度学习 & 目标检测】R-CNN系列算法全面概述（一文搞懂R-CNN、Fast R-CNN、Faster R-CNN的来龙去脉）
z135733的博客
02-12 1万+
RCNN在2013年在目标检测领域首次使用深度学习和卷积神经网络，他与Alex net一起引爆了21世纪第二个十年计算机视觉领域的技术爆炸。后续所有基于深度学习的目标检测——特别是两阶段目标检测算法。如Fast RCNN Faster R-CNN，都是在R-CNN上进行的迭代升级。所以弄懂RCNN特别重要。甚至可以说，没弄懂RCN后边的算法根本就看不懂。候选区域生成：利用Selective Search算法在每张图像上生成约2000个候选区域。这些候选区域被认为是可能包含目标的区域。特征提取。
一文读懂物体检测(包括R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD物体检测)
Danbinbo的博客
09-21 2834
一文读懂物体检测(包括R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD物体检测) ...
目标检测技术的发展：从R-CNN、YOLO到DETR、DINO
DeepAIedu的博客
09-30 1838
OV-DINO的出现标志着在开放域目标检测领域的重大进步，其在处理未见过的物体类别时的能力得到了显著提升。这项技术对于需要适应未知或变化环境的应用具有重要意义，如自动驾驶、机器人视觉、安防监控等。
空间中的语义直线检测_物体检测之FPN及Mask R-CNN
weixin_39548541的博客
12-22 375
个人非常喜欢何凯明的文章，两个原因，1) 简单，2) 好用。对比目前科研届普遍喜欢把问题搞复杂，通过复杂的算法尽量把审稿人搞蒙从而提高论文的接受率的思想，无论是著名的残差网络还是这篇Mask R-CNN，大神的论文尽量遵循著名的奥卡姆剃刀原理：即在所有能解决问题的算法中，选择最简单的那个。霍金在出版《时间简史》中说“书里每多一个数学公式，你的书将会少一半读者”。Mask R-CNN更是过分到一个数...
R-CNN（Region with CNN feature）
Peloponnesian的博客
03-24 249
R-CNN（Region with CNN feature） 视频链接 Selective Search方法： link1 link2 选择后大约2000个box 缩放到227*227 接着输入训练好的AlexNet cnn网络。
R-CNN: Regions with CNN features
张家坎的博客
02-06 906
论文：Rich feature hierarchies for accurate object detection and semantic segmentation official code - caffe: https://github.com/rbgirshick/rcnn 结合了两个关键技术 （1）可以在自下而上的 region proposal 上应用大型卷积神经网络（CNNs）来定...
R-CNN（Regions with CNN features）
qq_34869928的博客
03-05 773
Rich feature hierarchies for accurate object detection and semantic segmentation 用于准确的目标检测和语义分割的丰富特征层次结构 - 简介 两个关键因素：(1) 将大型卷积神经网络（CNN）应用于自底向上区域推荐，以定位和分割物体；（2）当标签训练数据不足时，先针对辅助任务进行有监督预训练，再进行特定任务的微调，就可以...
深度学习目标检测之R-CNN
Minskyli
03-01 2924
为什么提出 提出的背景 基本思想及其过程 利用R-CNN进行目标检测 模块设计 时间测试检测 训练 可视化，消融和错误模型 网络结构 检测错误分析 区域提取子 训练数据 验证集与评估 消融研究 与Overfeat的关系 语义分割 CNN特征用于分割 结论 为什么提出 R-CNN文章名字为”Rich feature hierarchies for accurate o...
fasterrcnn介绍
03-17
Faster R-CNN（Region-based Convolutional Neural Networks）是一种用于目标检测的深度学习模型。它是R-CNN系列模型中的一种，相比于之前的模型，Faster R-CNN在准确性和速度上都有显著的提升。 Faster R-CNN的核心思想是引入了一个称为Region Proposal Network（RPN）的子网络，用于生成候选目标框。RPN通过在输入图像上滑动一个小窗口，生成一系列候选框，并为每个候选框分配一个置信度得分。这些候选框会被送入后续的分类和回归网络进行目标检测。 具体来说，Faster R-CNN由以下几个关键组件组成： 1. 卷积神经网络（CNN）：用于提取图像特征的基础网络，通常使用预训练的网络如VGG、ResNet等。 2. Region Proposal Network（RPN）：负责生成候选目标框的子网络。它通过在特征图上滑动一个小窗口，并对每个窗口生成多个候选框。 3. RoI Pooling：将不同尺寸的候选框调整为固定大小，并将其映射到特征图上，以便进行后续的分类和回归。 4. 分类和回归网络：对每个候选框进行分类和位置回归，以得到最终的目标检测结果。 Faster R-CNN的优点在于它能够同时实现准确的目标检测和较快的速度。通过引入RPN网络，它能够在一次前向传播中生成候选框，避免了之前需要多次前向传播的问题。这使得Faster R-CNN在目标检测任务中取得了很好的性能。
评论 13
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

道友老李

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