rcnn 回归_rcnn系列，anchor系列目标检测回归问题的理解及疑问？？

最新推荐文章于 2024-07-22 17:32:39 发布
最新推荐文章于 2024-07-22 17:32:39 发布
阅读量363 收藏
点赞数
文章标签： rcnn 回归
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/weixin_34676685/article/details/112175294
版权
本文深入讨论了目标检测任务中的坐标变换问题，从初始框出发，探讨了如何通过缩放系数和相对偏移量来优化目标定位。文章指出，通过幂函数转换确保缩放系数大于0，并利用CNN的尺度不变性进行目标变换，以消除目标尺度影响。同时，提出了线性回归在 IoU 较高时的有效性，并分析了其背后的数学原理。此外，还讨论了不同目标尺度下的梯度问题和学习难度。
摘要由CSDN通过智能技术生成

目标回归问题

问题说明：给定一幅图像，定位图像中目标的位置。

发现直接定位目标位置这个任务太难了(当然现在有free anchor的方法，直接基于关键点检测如centernet等)


思考

那如果有一个初始框，设为P，那么我们的已知量为：

,要求
。我们将问题转化，先求得
),即相对predict anchor得变化量，那那我们的目标就变成了:


1. 因为缩放系数

始终大于０，而网络的输出范围是
，我们很容易想到利用幂函数做转换。所以我们令缩放系数
，保证符合上述条件，所以目标变换为 :

2. CNN具有尺度不变性，如下如所示，右图(设为a)是左图(设为b)的等比例缩放图，

c3a53128ad51c81fd2611d5606bc5904.png

那根据尺度不变性，两者经过网络后提出出来的特征是一致的，假设分别为

，因右图是左图的等比例缩放图，所以a,b中的
不相等。而网络回归分支的最后一层为全连接层，即
，这显然不符合函数的定义。所以我们不能直接把：

当成目标。所以作者想到了将目标继续转换为：

，这样不仅能满足上面的情况，还能消除目标尺度的影响。例如两个目标，尺度分别为100*100和10
*10的目标，predict box和truth box的offset都为10时，如果网络预测值为5,我们会认为100 *100的turth box对应得predict box预测已经很好了，但是10*10差很远，但此时给网络的梯度是一样的。如果我们将目标转换为
，能提高小目标准确率（大尺度目标的offset大一点没有关系）

3. 最后实验发现：嗯，学习

这个分布 要比学习
这个分布容易得多。

4. 作者认为，当Proposal 与 Ground Truth 相差较小时(RCNN 设置的是 IoU>0.6)时，可以认为是一个线性问题。

这是为什么呢？查看资料（http://www.caffecn.cn/?/question/160）发现，有一种解释是这样的：

当

，上式是线性函数，即
符合线性分布。所以可以用线性回归来建模　
。我对这里非常疑惑？　

samuel_spitz
关注
rcnn 回归_通俗易懂的目标检测 | RCNN, SPPNet, Fast, Faster
weixin_34171095的博客
11-26 305
文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。全文5500个字，22幅图，学习时长预计20分钟目录0 概述1 RCNN1.1 候选区Region Proposal1.2 特征提取1.3 SVM分类1.4 线性回归2 SPP Net3 Fast RCNN4 Faster RCNN5 总结0 概述本文主要讲一下深度网络时代，目标检测系列的RCNN这个分支，这个分支...
详解目标检测算法坐标回归方式-anchor-based方法
lovep1的博客
03-06 6335
本文讨论或者复习一下目前最流行的深度学习目标检测算法的坐标回归方式，注意，本文讨论的是anchor-based，至于anchor-free的方法，每一种anchor-free各自对应一种后处理，咱们这边就不详细讨论了。 一、常用的faster rcnn、retinanet、ssd等cls+reg head类型。 总体来说，根据anchor来提供初始坐标，然后利用anchor的初始值去回归线性变化时的参数（偏移值和尺寸值），最后将这些参数配合固定anchors成为具体的坐标，细节如下： ...
基于卷积神经网络（CNN）的数据回归预测
最新发布
yuchunyu12的博客
07-22 2355
卷积神经网络(Convolutional Neural Networks, CNN)是包含卷积计算且具有深度结构的前馈神经网络，主要由三部分组成：卷积层、池化层和全连接层，其基本型的完整架构展示具体结构如图1所示。图1 卷积神经网络示意图。
CNN多输出回归问题
megaoliyuanzhende的博客
08-27 4194
最近用CNN做回归一直收敛不了，今天终于解决了，在此记录一下。 我的输出是一张图片，输出是70个系数值，原来不收敛是因为只对输入做了预处理，输出用的原始数据，网络最后的输出层也没加激活函数，label范围不固定。把输入输出都归一化到-1到1，最后一层用tanh激活就可以收敛了。用的VGG收敛速度还是有点慢需要再优化下网络。 ...
【论文理解】R-CNN 之预测框回归（Bounding box regression）问题详述
takedachia的博客
08-03 1383
本文就R-CNN论文精读中的预测框回归（Bounding box regression）问题进行详细讨论。
faster_rcnn_RCNN_RCNN神经网络_卷积神经网络_
09-29
在传统的RCNN中，首先需要通过算法如Selective Search生成一系列可能包含目标的区域提议（regions of interest），然后对每个提议应用CNN进行特征提取，最后通过SVM或Softmax分类器进行类别判断。这个过程既耗时又...
tf-faster-rcnn-master.rar_Faster-_blankd6y_faster RCNN_faster RC
07-15
《深入理解TensorFlow版Faster R-CNN：目标检测新境界》 在计算机视觉领域，目标检测是一项核心任务，它要求系统能够识别并定位图像中的特定对象。Faster R-CNN（快速区域卷积神经网络）是这项任务的一个里程碑式...
simple-faster-rcnn-pytorch_simple-faster-rcnn-_rcnnpytorch代码_pyt
10-10
Faster R-CNN（快速区域卷积神经网络）是目标检测领域的一个里程碑式的工作，它引入了区域提议网络（RPN），将目标检测任务转化为一个端到端的深度学习问题。在本篇文章中，我们将深入探讨基于PyTorch实现的简单...
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, Fast RCNN, Faster RCNN这一系列目标检测算法
11-10
此外，Fast RCNN还引入了同时进行分类和边界框回归的机制，进一步优化了目标检测的性能。 Faster RCNN是Ren等人在2015年提出的，其创新在于引入了区域生成网络（Region Proposal Network，RPN），实现了目标检测的...
Pytorch——回归问题
12-22
文章目录1.前言2.数据准备3.搭建神经网络4.训练搭建的神经网络5.可视化操作 1.前言 我会这次会来见证神经网络是如何通过简单的形式将一群数据用一条线条来表示. 或者说, 是如何在数据当中找到他们的关系, 然后用神经网络模型来建立一个可以代表他们关系的线条. 2.数据准备 我们创建一些假数据来模拟真实的情况. 比如一个一元二次函数: y = a * x^2 + b, 我们给 y 数据加上一点噪声来更加真实的展示它. import torch import matplotlib.pyplot as plt #制造一些数据 x = torch.unsqueeze(torch.linspace(
【CNN回归预测】基于卷积神经网络的数据回归预测附matlab完整代码
matlab_dingdang的博客
07-15 3902
基于卷积神经网络（Convolutional Neural Network，CNN）的数据回归预测是一种利用CNN模型来进行数据回归问题的预测和估计。以下是一种可能的实施步骤：数据准备：收集和整理用于回归预测的数据集，包括输入特征和对应的目标值。确保数据集的质量和充分性。数据预处理：对数据进行预处理，如归一化、标准化、特征工程等，以提高模型的训练效果和泛化能力。CNN模型设计：设计一个合适的卷积神经网络模型，通常包括卷积层、池化层、全连接层等。根据具体问题的特点，可以选择合适的网络结构和超参数。
搞懂faster—rcnn中anchors生成（附代码）
weixin_41819529的博客
04-23 2333
搞懂faster—rcnn中anchors生成（附代码）源头原理重要参数生成anchor生成代码后续 源头 原文中说：对于该图像的每一个位置，考虑9个可能的候选窗口：三种面积三种比例。这些候选窗口称为anchors。下图示出51*39个anchor中心，以及9种anchor示例。 理解后参照源码进行重写，可能更好理解些 原理 自己的理解，就是特征提取已经完成了，针对特征层（VGG 是 conv5...
基于卷积神经网络（CNN）的回归预测方法实现——附代码
不定时分享电力优化、神经网络、数学建模等技术等
02-21 1万+
基于Maltab平台，使用自带的深度学习工具箱和自带的手写图片数据，实现基于卷积神经网络的回归预测，主要是用来预测手写图片的旋转角度，通过大量的训练和预测，实现对手写数字图片的角度矫正，使原本角度错位的图片变为正常角度的图片。本文代码已做标准化处理，通过替换程序中的数据，使用者可方便的实现自己所需的预测回归功能。本代码为博主亲手编写，注释超级详细，适合初学者入门学习。(1条消息) 基于卷积神经网络CNN的图片分类实现——附代码_神经网络与数学建模的博客-CSDN博客本文代码获取方法见文末。
RCNN系列——Faster RCNN anchor生成解析
jmu201521121021的博客
02-22 4856
RCNN系列——Faster RCNN anchor生成解析 一、简介 Faster RCNN里的anchor 是一个矩形框，用于box regressor, 可以减少网络计算量， 把anchor 数目定义为kkk,featur map每个点只预测kkk个box,然后与anchor计算偏差，回归更加精准的框位置。假设feature map 尺寸为W×HW \times HW×H,输出anchor...
anchor-based的边界框回归损失函数
qq_41831753的博客
03-06 3783
边界框回归(regression)损失函数汇总，L1、L2、Smooth L1、IoU、GIoU、DIoU、CIoU、EIoU。
【机器学习】使用Matlab和CNN完成回归任务
梦中梦？的博客
05-03 3413
文章目录前言一、数据集的制作二、网络构建与训练1. 图像预处理2. 训练数据生成3. 网络构建4. 指定参数并训练三、试用网络 前言 今天我们完成一个需求：给不同图片打上一个量化的标签，将图像作为输入，量化标签（浮点数）作为输出。我们的例子为：一个柔性视觉力度传感器：随着力的大小变化，弹性体发生形变，输出即为力的大小。 本文只提供部分技术的解决方案。 一、数据集的制作 使用通常的应变力传感器来完成标定，给图片打上标签。 二、网络构建与训练 1. 图像预处理 我们相机拍摄的图片为1280x760。我们这
机器学习笔记分类与回归问题深度学习参数介绍及CNN网络搭建介绍
m0_62501000的博客
11-14 2628
一 机器学习，深度学习能做什么 传统预测 图像识别 自然语言处理 二 机器学习的定义 l机器学习(Machine Learning, ML)，顾名思义，就是让机器去学习。这里，机器指的是计算机，是算法运行的物理载体，我们也可以把各种算法本身当做一个有输入和输出的机器。那么到底让计算机去学习什么呢？对于一个任务，设计一种算法，让算法能够提取数据中蕴含的规律，通过利用数据，训练出模型，然后使用模型预测的一种方法，这就叫机器学习。 如果输入机器的数据是带有标签的，就称作有监督学习。如果数据是无...
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
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