Learning Rich Features from RGB-D Images for Object Detection and Segmentation论文笔记

最新推荐文章于 2020-02-20 12:59:51 发布
最新推荐文章于 2020-02-20 12:59:51 发布
阅读量207 收藏 1
点赞数
原文链接：http://www.cnblogs.com/glchen2017/p/9917879.html
版权

相关工作：

将R-CNN推广到RGB-D图像，引入一种新的编码方式来捕获图像中像素的地心姿态，并且这种新的编码方式比单纯使用深度通道有了明显的改进。

我们建议在每个像素上用三个通道编码深度图像：水平视差、离地高度、像素局部表面法向量和重力方向的夹角（HHA，horizontal disparity, height above ground, and the angle the pixel`s, local surface normal makes with the inferred gravity direction）。所有通道都线性缩放，将训练数据集上的观测值映射到0-255的范围。

 

CNN不太可能自动学习直接从深度图像中计算这些属性，特别是当可用数据集非常有限时。我们的假设是，在我们的HHA地心图中和RGB图之间有足够的共同结构，为RGB图设计的网络也可以学习HHA图像的合适表示。例如，视差中的边缘和法向量与重力方向的夹角对应有趣的物体边界（内部或外部边界），类似与RGB中的边界（但可能更干净）。

实验设置：

1、微调卷积神经网络（CNN）用于特征学习

2、训练线性SVMs用于OP（object proposal）分类

1、Finetuning

RCNN基于caffe

在ILSRC 2012数据集上训练

初始学习率0.001，没20k次迭代减少10倍，Nvidia Titan大约需要7个小时

把每一个训练示例标记为具有最大重叠的真实示例的类别，并且这个重叠大于0.5，否则标记为background。所有的微调都是在训练机上完成的。

2、SVM Training

在pool5和fc6或者fc7计算特征，把真实值框内的目标类被称为正例，与真实值实例交集小于0.3的称为反例。

SVM超参数C= 0.001， B = 10, w1 = 2.0

 

转载于:https://www.cnblogs.com/glchen2017/p/9917879.html

weixin_30263073
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Learning Rich Features from RGB-D Images for Object Detection and Segmentation
04-22
In this paper we study the problem of object detection for RGB-D images using semantically rich image and depth features.We pro- pose a new geocentric embedding for depth images that encodes height above ground and angle with gravity for each pixel in addition to the hor- izontal disparity. We demonstrate that this geocentric embedding works better than using raw depth images for learning feature representations with convolutional neural networks. Our nal object detection system achieves an average precision of 37.3%, which is a 56% relative improve- ment over existing methods. We then focus on the task of instance seg- mentation where we label pixels belonging to object instances found by our detector. For this task, we propose a decision forest approach that classies pixels in the detection window as foreground or background us- ing a family of unary and binary tests that query shape and geocentric pose features. Finally, we use the output from our object detectors in an existing superpixel classication framework for semantic scene segmenta- tion and achieve a 24% relative improvement over current state-of-the-art for the object categories that we study.We believe advances such as those represented in this paper will facilitate the use of perception in elds like robotics.
learning rich features from rgb-d images for object detection and segmentation
z_houjie的博客
03-14 2120
简介：利用前人已有的研究成果，对RGB-D数据进行更加深层次的挖掘，在已有的神经深度网络和SVM的技术支持下，对数据进行分割以及语义标签的标识。contour detection在作者原有的工作成果基础上，结合另一篇参考文献的方法，提出一种融合的方法，主要体现在geocentric encoding of depth.candidate ranking利用著名的MCG模型对检测区域进行object...
Learning Rich Features from RGB-D Images for Object Detection and Segmentation(ECCV2014)
奔跑的可乐猪
04-29 1396
论文：https://arxiv.org/abs/1407.5736 Abstract 在本文中，我们使用语义丰富的图像和深度特征研究RGB-D图像的物体检测问题。我们提出了一种新的地心嵌入geocentric embedding？用于深度图像，除了水平差异之外，还为每个像素编码高于地面的高度和重力角度。我们证明这种地心嵌入？比使用原始深度图像更好地学习使用卷积神经网络的特征表示。我们的最终物...
Learning Rich Features from RGB-D Images
11-01
Learning Rich Features from RGB-D Images for Object Detection and Segmentation 作者：Saurabh Gupta1, Ross Girshick1, Pablo Arbelaez 1;2, and Jitendra Malik1
【Deep Learning】Review:Rich feature hierarchies for accurate object detection and semantic segmentati
qbt4juik的专栏
01-25 507
Rich feature hierarchies for accurate object detection and semantic segmentation   Source: http://arxiv.org/abs/1311.2524 github:  https://github.com/rbgirshick/rcnn 1.      Summary of thePaper Q
基于神经网络RGB-D图像分割
04-01
**RGB-D图像分割** RGB-D图像分割是一种计算机视觉技术，它结合了彩色（RGB）图像和深度（D）信息，以实现对场景中物体的精确分割。这种技术在机器人导航、增强现实、3D重建等领域有广泛应用。在这个项目中，我们将...
Cloud-Net-A-semantic-segmentation-CNN-for-cloud-detection:用于云检测的语义分割CNN
05-28
但是，它也可以用于其他语义分割应用程序。... Saeedi，“使用多个对抗性示例训练的上下文保存器卷积神经网络在单个RGB图像中进行阴影检测”，在IEEE Transactions on Image Processing，第1卷。 28号8，页4117-41
Learning color and locality cues for moving object detection and segmentation
12-24
This paper presents an algorithm for automatically detecting and segmenting a moving object from a monocular video.
深度学习论文笔记：Rich feature hierarchies for accurate object detection and semantic segmentation
JacobKong的博客
02-18 1913
Abstract mAP: mean average precision，平均准确度 我们的方法结合两个关键的见解：第一：采用高容量的卷积神经网络来从上到下的进行region proposal，从而实现定位和分割物体。 当标记的训练数据稀缺时，可以先对辅助数据集（任务）进行受监督的预训练， 随后是基于域进行特定调整，产生显着的性能提升。 Introduction 关于各种视觉识别任务的上一个十年的进
RCNN,Fast RCNN,Faster RCNN 的前生今世：（2） R- CNN （3，2，1）
01-08 136
3、三次IOU 2、2次model run 1，一次深度神经网络 rcnn主要作用就是用于物体检测，就是首先通过selective search 选择2000个候选区域，这些区域中有我们需要的所对应的物体的bounding-box，然后对于每一个region proposal 都wrap到固定的大小的scale,227*227(AlexNet Input),...
深度学习经典论文RCNN(二)：Rich feature hierarchies for accurate object detection and semantic segmentation
qq_26413875的博客
09-26 358
看完上一篇AlexNet,紧接着我们看下一篇：RCNN。RCNN是rbg大神的经典之作，从他开始，开启了选择性搜索方法在深度学习领域的浪潮~啊，膜拜！老规矩，快发车了，请赶紧上车吧，骚年！ 先附上论文地址：Rich feature hierarchies for accurate object detection and semantic segmentation 文章目录 ...
目标检测论文解读1——Rich feature hierarchies for accurate object detection and semantic segmentation...
angmaodie3396的博客
08-18 131
背景 　　在2012 Imagenet LSVRC比赛中，Alexnet以15.3%的top-5 错误率轻松拔得头筹（第二名top-5错误率为26.2%）。由此，ConvNet的潜力受到广泛认可，一炮而红。既然convNet在图像分类任务上能取得好成绩，是不是也能放到目标检测任务上呢。本文就是用convNet解决目标检测任务的首次探索。在PASCAL VOC 2010上的mAP达到了5...
目标检测 R-CNN 论文笔记（Rich feature hierarchies for accurate object detection and semantic segmentation）
Cyiano的博客
04-10 3634
目标识别与检测数据库：PASCAL VOC在12年以前一直进展缓慢，一些新提出的优化方法只是把之前的方法线性地结合在一起。Ross Girshick提出的R-CNN直接将识别准确率提高了30%。作者主要利用两个因素：一个是CNN可以应用于区域候选，以便定位和分割物体；另一个是当标记的训练数据很少时，辅助任务的预训练加以fine-tuning，可以显著提高性能。
论文笔记|Rich feature hierarchies for accurate object detection and semantic segmentation
bea_tree的博客
06-19 4462
Authors Ross Girshick /Jeff Donahue/Trevor Darrell /Jitendra Malik Ross Girshick http://blog.csdn.net/chenriwei2/article/details/38110387 http://blog.csdn.net/u013488563/article/details/420278
论文阅读：RCNN：Rich feature hierarchies for accurate object detection and semantic segmentation Tech repo
j879159541的博客
11-01 343
文章目录1、论文总述 2、2012年AlexNet的一个争议3、为啥没用sliding windows4、Run-time analysis.（测试时候的速度分析，作者觉得自己的方法比以前算法效率要高）5、为什么不用softmax直接分类，而是加了SVM6、Ablation studies7、 Relationship to OverFeat参考文献 1、论文总述 首先感谢两位大神的文章，写的...
各种对象检测论文总结(Object Detection )
热门推荐
junmuzi的专栏
12-01 2万+
Original url: http://blog.csdn.net/u010167269/article/details/52563573 https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html Object Detection  Published: 09 Oc
AI_综述：3D目标检测于RGB-D（Object detection in RGB-D images）
女王の专属领地
05-04 1万+
转载自：https://zhuanlan.zhihu.com/p/34887948 基于深度学习的图像目标检测(上) 基于深度学习的图像目标检测(下) 大牛讲堂 | 基于DenesBox的目标检测在自动驾驶中的应用 前言 CNN（convolutional neural network）在目标检测中大放异彩，R-CNN系列，YOLO，SSD各类优秀的方法层出不穷。在2D图像的目标检测上，...
深度学习论文导航 | 01 R-CNN：用于精确目标检测和语义分割的丰富特征层次
不积跬步，无以至千里！
02-20 1921
深度学习目标检测开山之作
【深度学习论文笔记】Rich feature hierarchies for accurate object detection and semantic segmentation
1983的专栏
07-25 2万+
文章：《Rich feature hierarchies for accurate object detection and semantic segmentation》 作者：Ross Girshick Jeff Donahue Trevor Darrell Jitendra Malik 单位：UC Berkeley ，CVPR2014？ 是否开放代码：是 ，地
Region-Based Convolutional Networks for Accurate Object Detection and Segmentation复现
最新发布
07-14
对于 "Region-Based Convolutional Networks for Accurate Object Detection and Segmentation" 这篇论文的复现，我可以给你一些指导。该论文介绍了一种基于区域的卷积神经网络方法，用于准确的物体检测和分割。 ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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