RPN与ROI Pooling

最新推荐文章于 2024-10-15 11:24:12 发布
最新推荐文章于 2024-10-15 11:24:12 发布
阅读量1.6k 收藏 11
点赞数 2
分类专栏： 目标检测 文章标签： 计算机视觉 python 深度学习 机器学习
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_38132153/article/details/107914526
版权
本文介绍了Faster R-CNN网络结构中的关键组件：RPN（Region Proposal Network）和ROI Pooling。RPN通过在特征图上设置多个Anchor并进行分类与回归，生成目标候选区域。ROI Pooling则对不同尺寸的区域进行最大池化，确保输出固定尺寸的特征图，便于后续处理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Faster R-CNN网络结构
在这里插入图片描述

一、RPN

在这里插入图片描述
第一条线路：在原图尺度上，设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的positive anchor，哪些是没目标的negative anchor。
feature maps每一个点都有9个anchors，同时每个anchors又有可能是positive和negative，所有这些信息都保存WxHx(9*2)大小的矩阵。通过softmax获得positive anchors，相当于初步提取了检测目标候选区域box（一般认为目标在positive anchors中）。
第二条线路：通过1 * 1 * 36的滤波器，获得每个anchor的坐标的调整量，9个anchor即获得了9 * 4个坐标（中心坐标与宽和高）
RPN输出：
大小为50 * 38 * 18的positive/negative softmax分类特征矩阵
大小为 50 * 38 * 36 的regression坐标回归特征矩阵

Proposal Layer的作用：
1、生成anchors，对所有的anchors做bbox regression回归
2、根据scores由大到小排序anchors，提取前N个anchors，即提取修正位置后的positive anc

最低0.47元/天 解锁文章
RPN、ROI Pooling 与 ROI Align
啥也不会的博客
11-24 541
RPN层、ROI Pooling
Faster RCNN算法学习笔记----整体结构、RPN原理、Roi pooling层
weixin_43227526的博客
08-28 677
Faster RCNN算法笔记 1、FasterRCNN网络整体结构 对于一张输入图片，将短边resize成600大小，输入到Faster RCNN特征提取网络中，提取出特征层feature map，将feature map输入到RPN网络中，生成一系列的候选框。RPN的核心思想是滑动窗口和anchor机制。将一系列的候选框输入到Roi pooling层中，利用候选框在feature map上进行截取，这些框转化成相同大小的section,最后通过全连接层进行分类预测和回归预测。 而且，在训练的过程中，Fa
深度学习学习笔记——随手写
phily123的博客
09-02 422
卷积就是特征提取器，就是CBAPD。 FCN通常用在图像分割任务中，进行像素级的分类，缩写是full connect network,所有网络由卷积层构成没有全连接层。分割网络最后通过一个反卷积层将输出尺寸恢复到和输入尺寸大小一样。 python中的assert是断言函数，当满足某种条件时构造错误。 python中变量前的单下划线，双下划线，前后双下划线都有特殊意义。 添加链接描述 ...
RPN（RegionProposal Network），ROI Pooling， roi align，双线性插值
m0_56175815的博客
05-17 5405
RPN是Region Proposal Network的缩写，是Faster R-CNN中的一部分。RPN的作用是用于生成候选物体区域（Region of Interest，RoI），即提出可能包含物体的区域，以便后续的物体检测和识别。
RPN和ROI pooling的理解
liudiudiu
09-03 2698
关于ROI pooling 比较简单，详情参考 ROI pooling V.S. SSP Pooling ROI是只有一层的SSP Pooling：ROI Pooling将proposal在feature map上的对应区域分为W * H 份，每一份取Max/Avg 将其放到固定位置 SSP Pooling是将proposal分为(4 * 4 / 2 * 2 / 1 * 1份，然后进行拼接...
Faster R-CNN：RPN与ROI的计算
qq_33466954的博客
05-28 4683
Faster R-CNN使用RPN(Region Proposal Network)算法代替原来的Selective Search方法产生候选框（RPN层放在最后一个卷积层的后面），且产生候选框的CNN网络和目标检测的CNN网络是同一个CNN网络。这使得候选框的数目从原有的约2000个减少为300个，且建议框的质量也有本质的提高。 Faster R-CNN的结构主要分为三大部分： 第一部分是共享的卷积层-backbone，第二部分是候选区域生成网络-RPN，第三部分是对候选区域进行分类的网络-classif
RoI Pooling 和 RoI Align
Tian__Gao的博客
04-28 5193
RoI Pooling 和 RoI Align一、基本概念 一、基本概念 RoI（Region of Interest）是通过不同区域选择方法，从原始图像（original image）得到的候选区域（proposal region）
ROI Pooling、Deformable ROI Pooling和Position-Sensitive(PS) RoI pooling
stu_shanghui的博客
06-25 5235
ROI Pooling 出自Faster-RCNN, 用来将不同图像经卷积得到的特征图进行维度统一的操作，输入为一个feature map以及从中提取的ROI坐标值，输出为一个维度归一化的feature map。 下图所示：feature map 输入到RPN网络后输出一系列ROI框的坐标值，然后ROIpooling层根据框的坐标值从feature map 中提取相应的区域，然后对区域进行一个...
Faster R-CNN——RPN网络+ROI池化 (目标检测)(two-stage)(深度学习)(NIPS 2015)
星智云图工作室（StarImagine Studio）
11-23 7180
论文名称：《 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 》 论文下载：https://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-net...
FPN，RPN，ROI的辨析
m0_51516317的博客
10-15 1364
FPN、RPN、ROI的辨析
【目标检测】|fasterRCNN ROI Pooling原理 RPN输出
qq_35608277的博客
06-09 1211
目标检测architecture通常可以分为两个阶段： （1）region proposal：给定一张输入image找出objects可能存在的所有位置。这一阶段的输出应该是一系列object可能位置的bounding box。这些通常称之为region proposals或者 regions of interest（ROI），在这一过程中用到的方法是基于滑窗的方式和selective search。 （2）final classification：确定上一阶段的每个region proposal是否属于目
目标检测之RPN网络（Feature Pyramid Networks for Object Detection）
奥古斯都
12-07 994
最近读了几篇WSDN的文章，有一篇的paper用到了RPN网络的一些思想，因此去拜读一下RPN这篇paper。这篇paper的attribution就是取长补短的思想，在卷积神经网络中，网络层数越浅，语意特征不明显，但是图像的特征却比较明显；网络层数越深，语义特征却越明显；这个其实从卷积神经网络的可视化都是可以看出来的。因此这篇paper想用的思想就是将深层的抽象特征与浅层丰富的几何信息结合到一起，这样生成的feature含有的信息就比较丰沛。尤其对于目标检测来说，深层的网络虽然具有很高的语义信息，但是Fe
关于anchor box, RPN, ROIalign
TTTree_的博客
08-12 280
记录一下看到的anchor box相关文章，写得不错： 目标检测中的Anchor详解 faster R-CNN中anchors 的生成过程（generate_anchors源码解析）
【mmrotate代码解读】以FasterRcnn中的RPN+ROI部分为例
weixin_45935290的博客
06-05 3559
可以发现，主要代码位于self.rpn_head.forward_train这个函数，我们来看其定义，位于base_dense_head.py文件下。将FPN得到的5个特征值进行了卷积操作，将outs对结果和gt_bboxes和img_meta组合成一个元组，其中outs是维度为3和12的向量。关于valid_flag_list的代码我们就不细看了，这个主要是为了判断哪些anchor是有效的，看一下结果。我们首先定位到RPN部分代码的forward_train部分，位于two_stage.py文件下。
什么是RPN，ROIAlign？
落了一地秋的博客
01-06 2567
RPN RPN RPN RPN（Region Proposal Network）用来产生Regin Proposal（前景框，候选区域，检测框（Faster RCNN 直接拿来做检测框）
Faster R-CNN
qq_45433195的博客
03-18 677
Faster R-CNN
RPN 解析
lanran2的博客
01-12 10万+
RPN全称是Region Proposal Network，Region Proposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络； 1. RPN的意义 RPN第一次出现在世人眼中是在Faster RCNN这个结构中，专门用来提取候选框，在RCNN和Fast RCNN等物体检测架构中，用来提取候选框的方法通常是Selective Se
ROI Pooling层解析
热门推荐
lanran2的博客
03-03 11万+
ROI Pooling的意义 ROIs Pooling顾名思义，是Pooling层的一种，而且是针对RoIs的Pooling，他的特点是输入特征图尺寸不固定，但是输出特征图尺寸固定； 什么是ROI呢？ ROI是Region of Interest的简写，指的是在“特征图上的框”； 1）在Fast RCNN中， RoI是指Selective Search完成后得到的“候选框”在特征图上的映射
faster-rcnn 之 RPN网络的结构解析
香蕉麦乐迪的博客
05-31 9万+
【说明】：我想很多人在看faster-rcnn的时候，都会被RPN的网络结构和连接方式纠结，作者在文中说的不是很清晰，这里给出解析； 【首先】：大家应该要了解卷积神经网络的连接方式，卷积核的维度，反向传播时是如何灵活的插入一层，这些要了解；这里我推荐一份资料，真是写的非常清晰，就是MatConvet的用户手册，这个框架底层借用的是caffe的算法，所以数据结构，
RoI pooling layer
最新发布
03-22
### Region of Interest (RoI) Pooling Layer 的工作原理 在深度学习中，尤其是涉及目标检测的任务时，Region of Interest (RoI) Pooling 层起着至关重要的作用。它主要用于将不同大小的输入区域转换成固定尺寸的特征表示，以便后续网络能够处理这些特征。 #### RoI Pooling 的基本概念 RoI Pooling 是一种操作，用于提取感兴趣区域（Regions of Interest, RoIs）中的特征，并将其调整到统一的维度。这种机制允许卷积神经网络（CNNs）处理任意形状和大小的目标边界框。具体来说，给定一个由卷积层产生的特征图以及一组候选区域（proposals），RoI Pooling 将每个候选区域映射到该特征图上并生成固定大小的输出[^1]。 #### 实现细节 为了实现这一功能，通常会执行以下几个核心步骤： 1. **映射 RoI 到特征图**: 首先计算每个 RoI 对应于原始图片的比例因子，从而确定其在最终卷积特征图上的位置。 2. **划分网格单元格**: 接下来把每一个 RoI 平均划分为若干个小块或者子区域，这取决于期望得到的输出分辨率是多少。比如如果希望获得 \( H \times W \) 大小的结果，则需将整个 ROI 分割成为 \(H\) 行 \(W\) 列的小部分。 3. **最大池化(Max-Pool)**: 在上述每一块内部应用最大值选取策略(max-pool)，即只保留局部最高响应作为代表点。这样做的好处是可以减少数据量的同时保持重要信息不丢失。 以下是 Python 中基于 PyTorch 的简单实现示例: ```python import torch from torchvision.ops import roi_pool def roipool(features, rois, output_size=(7, 7), spatial_scale=1/16): """ Apply RoI Pooling operation. Args: features (Tensor): Feature maps from backbone network. Shape should be [batch_size, channels, height, width]. rois (Tensor): List of regions-of-interest coordinates as [batch_index, x_min, y_min, x_max, y_max]. Shape is [num_rois, 5], where `batch_index` indicates which batch item this RO belongs to. output_size (tuple): Desired size after applying max pooling within each bin. Default set to `(7, 7)` commonly used in Fast/Faster RCNN architectures. spatial_scale (float): Ratio between input feature map dimension and original image dimensions. Typically equals stride length during forward pass through CNN layers leading up here. Returns: Tensor containing pooled outputs corresponding to all provided ROIs, shape will match `[len(rois), num_channels, *output_size]`. """ return roi_pool(features, rois, output_size=output_size, spatial_scale=spatial_scale)[0] # Example usage features = torch.randn(1, 512, 8, 8) # Batch Size=1; Channels=512; Height & Width both equal to 8 units post convolutions etc.. rois = torch.tensor([[0., 1., 1., 5., 5.]]) # Single example region defined relative scaled coords inside one img only! pooled_output = roipool(features, rois) print(pooled_output.shape) # Should print something similar to 'torch.Size([1, 512, 7, 7])' ``` 通过以上代码片段可以看出如何利用现有的库函数轻松完成 RoI Pooling 过程。 --- ### 关联知识点扩展说明 除了理解其实现方法外，还需要认识到它是连接区域提议网路(RPN)与分类回归模块之间的桥梁，在单目深度估计等领域也有广泛应用背景[^2][^3]。
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