目标检测RCNN系列演进总结

最新推荐文章于 2022-09-06 11:18:58 发布
最新推荐文章于 2022-09-06 11:18:58 发布
阅读量308 收藏
点赞数
分类专栏： 深度学习相关博文 文章标签： RCNN Fast RCNN Faster RCNN SPP Net
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/ustczhng2012/article/details/109270784
版权

RCNN

关键流程

  • 生成region proposal: 方法选用selective search，大约2000个图，并wrap到固定尺寸(227x227，各向同性缩放)
  • 特征提取：CNN从每个region proposal中提取出一个4096维的特征（Alexnet等，5卷积层，2全连接层），输出大致为2000x4096
  • 类别分类：SVM对4096维特征进行分类，得到一个2000x20的矩阵（20种类别），然后对每一列进行NMS非极大值抑制
  • 位置修正：回归器校正非极大值抑制后剩下的region proposal，输入CNN网络pool5层的特征，输出为xy方向的缩放和平移

训练方法

  • 对CNN的有监督预训练：在ILSVRC样本集（只有分类标签）上对CNN网络进行有监督预训练，此时网络最后的输出是4096维特征->1000类分类的映射，并不完全是R-CNN的部分
  • 特定样本下CNN的微调：在PASCAL VOC 2007上进行，学习率是有监督预训练第一步学习率的1/10，将第1步中的1000类分类输出改为21类（20类+背景）,注意此处仍然是softmax，而不是SVM。
    - 正样本：Ground Truth+与Ground Truth相交IoU>0.5的Region proposal
    - 负样本：与Ground Truth相交IoU≤0.5的建议框
  • 每一类的SVM的训练：输入正负样本在CNN网络计算下的4096维特征（fc7层）
    - 正样本：Ground Truth
    - 负样本：与Ground Truth相交IoU＜0.3的建议框，由于负样本太多，采用hard negative mining的方法在负样本中选取有代表性的负样本
  • 每一类的Bounding-box regression训练：
    - 正样本：与Ground Truth的IoU最大，且IoU>0.6的Region Proposal

创新点

  • 采用数据驱动的特征提取方式（CNN网络）代替经验驱动的HOG、SIFT特征提取方式
  • 采用大样本下有监督预训练+小样本微调的方式解决小样本难以训练甚至过拟合等问题

SPP-Net

关键流程

R-CNN中单幅图片大约有2000个region proposal，重复用CNN为每个region proposal提取特征极其费时。因此SPP-net提出在feature map上提取region proposal，这样就只需要在整幅图像上做一次卷积，大大提高了速度。
在这里插入图片描述

创新点

  • 使用空间金字塔池化层(Spatial Pyramid Pooling)替代原来的pool5
    在这里插入图片描述

存在的问题

  • 同R-CNN一样，分开训练CNN、SVM、BB回归器，训练SVM的特征需要提前保存在磁盘，对磁盘空间要求大（一张图片有2000*4096 bytes存储，图片很多，造成对磁盘空间要求高）
  • CNN、SVM分开训练导致SVM loss无法更新SPP-Net之前卷积参数，因此即使采用更深的CNN网络进行特征提取，也无法保证SVM分类器精确率的提升
  • 使用Selective Search的方法提取 region proposal是在CPU上进行的，较GPU慢

Fast RCNN

关键流程

  • 生成region proposal: 方法选用selective search，大约2000个图
  • ROI Pooling:整体输入到CNN中，在最后一个卷积层上对每个region proposal求映射关系，并用一个ROI pooling layer来统一到相同的大小（替代掉最后一个pooling层）
  • 分类和回归:经过两个全连接层得到特征向量，分别输入到用于分类的softmax和bounding box回归

在这里插入图片描述

创新点

  • 直接使用Soft max进行分类，替换掉R-CNN中的SVM分类器
  • 将分类、回归一起进行多任务学习
  • 借鉴SPP-Net精髓，在Feature Map上获取region proposal

Faster RCNN

关键流程

在这里插入图片描述

创新点

  • 提出Region Proposal Network（RPN），实现了一个完全的End-To-End的CNN目标检测模型
  • 共享RPN与Fast R-CNN的特征
ustczhng2012
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
大话目标检测经典模型：Mark R-CNN
雪饼的博客
04-28 1631
在之前的文章中介绍了目标检测经典模型（R-CNN、Fast R-CNN、Faster R-CNN），目标检测一般是为了实现以下效果： 在R-CNN、Fast R-CNN、Faster R-CNN中，实现了对目标的识别和定位，如下图所示： 为了更加精确地识别目标，实现在像素级场景中识别不同目标，利用“图像分割”技术定位每个目标的精确像素，如下图所示（精确分割出人、汽车、红绿灯等）：Mask...
深度学习的目标检测技术演进：R-CNN、FastR-CNN、FasterR-CNN
02-25
本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。objectdetection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。objectdetection技术的演进：RCNN->SppNET->Fast-RCNN->Faster-RCNN这里有一个图像任务：既要把图中的
RCNN系列发展历程
weixin_42782833的博客
07-31 2436
开山之作：RCNN RCNN算法由Ross Girshick等人发表在CVPR 2014，将卷积神经网络应用于特征提取，并借助于CNN良好的特征提取性能，一举将PASCAL VOC数据集的检测率从35.1%提升到了53.7% RCNN算法流程图如下图所示，RCNN仍然延续传统物体检测思想，将物体检测当做分类任务处理，即先提取一系列的候选区域，然后对候选区域进行分类 具体过程主要包含四步： 候选区域生成。采用Region Proposal提取候选区域，例如SelectiveSearch算法，先将图像分割成小
基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN
weixin_46474546的博客
04-15 82
基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN
rcnn 回归_RCNN系列算法的发展
weixin_39609670的博客
12-19 286
一、 RCNN系列的发展1.1 R-CNN根据以往进行目标检测的方法，在深度学习应用于目标检测时，同样首先尝试使用滑动窗口的想法，先对图片进行选取2000个候选区域，分别对这些区域进行提取特征以用来识别分割。1.1.1 rcnn具体的步骤是：步骤一：在imagenet分类比赛上寻找一个cnn模型，使用它用于分类的预训练权重参数；对于这个模型修改最后的分类层，分为21类，去掉最后一个全连接层，...
RCNN, Fast RCNN, Faster RCNN这一系列目标检测算法
11-10
RCNN系列算法不仅推动了目标检测技术的发展，也为后续的YOLO、SSD等实时目标检测模型奠定了基础。在实际应用中，RCNN家族的算法被广泛应用于自动驾驶、视频监控、图像分析等领域，对于提升计算机视觉系统的性能具有...
RCNN，FastRCNN，FasterRCNN论文
11-01
**RCNN，FastRCNN，FasterRCNN论文解析** 目标检测是计算机视觉领域中的一个核心任务，旨在在图像中定位并识别出不同类别的物体。...了解和掌握RCNN家族的原理，对于深入理解深度学习目标检测的演进历程至关重要。
Object Detection in 20 Years A Survey目标检测综述论文组会汇报
最新发布
11-16
在过去的二十年中，目标检测技术经历了从traditional detector到DL-based detector的演进。该综述论文对目标检测领域的发展历程进行了全面的回顾，从里程碑式的检测器、数据集、度量标准到主要技术的发展。 1. ...
目标检测论文.rar
07-20
1. **RCNN系列**：RCNN（Region-based Convolutional Neural Networks）由Ross Girshick等人在2014年提出，是深度学习在目标检测领域的里程碑式工作。RCNN首先通过Selective Search等方法生成候选区域，然后对每个...
目标检测---Faster RCNN---详细解读（下）
千寻
11-27 255
本篇博客都是个人原创，哪里若有出处，还望大家多多包涵。 在这篇博客中，主要讲解Faster RCNN 从输入图片到得到识别结果的具体流程。 上图就是Faster RCNN的整体流程，大致可以分为四个部分： 1.卷积网络提取特征得到Feature map 2.RPN网络生成候选区域，获得前景图片并进行位置回归 3.RoiPooling 层...
目标检测系列——Faster R-CNN原理详解
秃头小苏的博客
07-03 6414
  前文我已经介绍过R-CNN、Fast R-CNN的原理，具体内容可以点击下面链接阅读。【注：阅读此篇之前建议对R-CNN和Fast R-CNN有一定的了解】  Faster R-CNN算是这个目标检测系列的最后一篇了，在速度和准确率上也相对达到了比较好的效果，所以还是非常重要的。后面可能会更新语义分割Mask RCNN，当然这都是后话啦。现在就和我一起来学学Faster R-CNN吧。🍻🍻🍻 ​  不知大家是否还记得Fast R-CNN的流程？这里帮大家回忆一下，其步骤如下：​  那么Faster...
Faster RCNN之进化史
qq_41439608的博客
09-25 638
Faster RCNN之进化史 1.RCNN 1.1 算法流程 （1）在一张图像中通过SS算法生成1K~2K个候选区域 （2）对每一个候选区域通过深度网络提取特征 （3）特征送入每一类的SVM分类器，判断是否属于该类，之后通过nms为每一类候选框进行筛选。 （4）使用回归器精确修正候选框位置 1.2 网络模型 1.3 RCNN存在的问题 （1）测试速度慢：测试一张图片约53s（CPU）。用Selective Search算法提取候选框用时约2s，一张图像内候选框之间存在大量重叠，提取特征操作冗余。 （2）
RCNN发展史
努力充实，远方可期
02-25 8767
学习总结 排版不是非常整齐，适合当做查阅字典。 前言与知识预热 目标检测由来：1966年，Marvin Minsky让他的学生Gerald Jay Sussman花费一个暑假把相机连接到电脑上以使电脑能描述看到的东西。 实例分割（instance Segmentation）：标记实例和语义, 不仅要分割出人这个类, 而且要分割出这个人是谁, 也就是具体的实例。即不仅要分类，而且同类间需要区...
目标检测-RCNN系列
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
R-CNN系列算法的发展历程
RayChiu757374816的博客
03-14 2488
目标检测中R-CNN系列网络的发展历程
RCNN--Fast-rcnn--Faster RCNN(思路整理)
wzy的博客
09-29 7420
本人小硕一枚，方向是深度学习的目标检测，故想把从RCNN到Faster RCNN整个线串一下，理清里面的整个设计流程和创新思路，也算是对大神的创新思维进行学习。我会不定期改善博客里面可能存在的小错误，希望大家多多谅解支持啦。另外，在论文中已经讲到的点，如果不是特别重要的话，我不会再复述的啦，所以说各位看官先研读研读论文先，然后再看看我对这些论文的理解。对了，涉及到哪层是几乘几以及那层到底是多少这种
从R-CNN到Faster-RCNN再到YOLOV5，目标检测网络发展概述
weixin_48799576的博客
09-06 5662
目标检测任务是找出图像或视频中人们感兴趣的物体，并同时检测出它们的位置和大小。不同于图像分类任务，目标检测不仅要解决分类问题，还要解决定位问题。这里对目标检测模型从R-CNN到YOLOV5进行了系统的总结。
实例分割模型Mask R-CNN详解：从R-CNN，Fast R-CNN，Faster R-CNN再到Mask R-CNN
热门推荐
jiongnima的博客
01-21 9万+
   Mask R-CNN是ICCV 2017的best paper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。Mask R-CNN就是典型的代表。本篇大作的一作是何凯明，在该篇论文发表的时候，何凯明已经去了FaceBook。我们先来看一下，Mask R-CNN取得了...
目标检测最新进展（SSD，RCNN等最新发展）
transMaple的专栏
05-04 2710
【未完待续】 【目录】 SSD： RetinaNet FSSD (Feature Fusion Single Shot Multibox Detector) RFBNet （Receptive Field Block Net） R-FCN RRC SSD GitHub链接（Pytorch版）：https://github.com/transcendentsky/ssd_py...
深度学习目标检测框架详解：从RCNN到YOLOv3
"这篇文章是关于目标检测框架的总结，涵盖了RCNN家族（R-CNN、fast R-CNN、faster R-CNN）以及SSD和YOLO系列（v1、v2、v3）。这些框架在深度学习物体检测领域具有重要地位。" 1. R-CNN R-CNN（Region-based ...
评论 1
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