R-CNN系列算法介绍

已于 2022-10-22 17:04:13 修改
阅读量612 收藏 4
点赞数 1
文章标签： 算法 cnn
于 2022-10-22 16:38:14 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/weixin_39357271/article/details/127463722
版权

博客中图片来自霹雳吧啦Wz

文章目录

R-CNN

主干使用VGG-16,227 * 227图片大小

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dQpCtwXC-1666427526606)(D:\Program Files\Typora\RCNN图片\image-20220407152931257.png)]

步骤：

​ 1、一张图片生成1-2k个候选区域（ssh方法，select search）

​ 2、对每个候选区域，使用深度网络提取特征

​ 3、特征送入每一类的SVM分类，判别是否属于该类

​ 4、使用回归器细修正候选框位置

生成候选区域

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5cIY2DlH-1666427526608)(D:\Program Files\Typora\RCNN图片\image-20220407174451079.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jLiF9uXB-1666427526609)(D:\Program Files\Typora\RCNN图片\image-20220407174538707.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-i32Uh2nl-1666427526610)(D:\Program Files\Typora\RCNN图片\image-20220407183737430.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-afMkFfO9-1666427526615)(D:\Program Files\Typora\RCNN图片\image-20220407184347559.png)]

IOU

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YoNncpCc-1666427526620)(D:\Program Files\Typora\RCNN图片\image-20220407184044906.png)]

保留最高阈值框，，计算其他框与最高值iou,删除高于设定阈值的框

框架

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7A5iG3Gk-1666427526623)(D:\Program Files\Typora\RCNN图片\image-20220407184746614.png)]

Fast-RCNN

主要流程

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-muF56DJZ-1666427526625)(D:\Program Files\Typora\RCNN图片\image-20220407185434440.png)]

1、一张图生成1-2 k候选区域

2、将整个图送入网络得到特征图，将候选框投影到特征图，得特征矩阵

3、将特征矩阵通过ROI pool缩放到7 *7 特征图，将特征图展平，全连接得到预测结果。

获取图像特征的区别

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-y4lEeNtx-1666427526627)(D:\Program Files\Typora\RCNN图片\image-20220407190229922.png)]

ROI pool

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jr6IMerI-1666427526628)(D:\Program Files\Typora\RCNN图片\image-20220407191710520.png)]

不限制输入图片大小

SVM分类器

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bD1ftH7b-1666427526629)(D:\Program Files\Typora\RCNN图片\image-20220407191912760.png)]

并联两个全连接层，1目标概率预测，2边界框回归参数的预测

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nX9Mo0nK-1666427526631)(D:\Program Files\Typora\RCNN图片\image-20220407192142027.png)]

损失函数，交叉熵损失

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-m7gEOnM4-1666427526633)(D:\Program Files\Typora\RCNN图片\image-20220407192324000.png)]

分类损失用的交叉熵损失函数

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FomxiBr2-1666427526634)(D:\Program Files\Typora\RCNN图片\image-20220407192516530.png)]

1、多分类，用softmax；

2、二分类，用sigmoid输出

Faster-RCNN

z主干同样使用VGG-16

主要流程

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-105ehOAk-1666427526637)(D:\Program Files\Typora\RCNN图片\image-20220407214033126.png)]

1、整个图像输入网络得到特征图

2、使用RPN（region proposal network）结构生成候选框，候选框投影到特征图得特征矩阵

3、特征矩阵通过ROI pool得7 *7 特征图，进行展平全连接得预测结果

可将Faster-rcnn看成RPN+fast-RCNN

RPN(region proposal network)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0Zo7gbJJ-1666427526638)(D:\Program Files\Typora\RCNN图片\image-20220407214737443.png)]

在特征图使用滑动窗口，分别输出目标概率2 k,k是k个anchor，分别为背景和目标的概率；边界框回归参数4k（x,y,w,h），256是zf网络channel，VGG是512深度；通过滑动窗口提取候选框，之前都是用ss算法

anchor大小

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZAbtOrZD-1666427526639)(D:\Program Files\Typora\RCNN图片\image-20220407215407073.png)]

每个面积大小有3种尺度，每个中心点对应9个anchor

定义正负样本

1、正样本：1anchor与GT的IOU大于设定0.7，为正样本

​ 2，若anchor都没超过0.7，找最大IOU的anchor，认为它为正样本

2、负样本：anchor与GT的IOU小于0.3为负样本

3、除此之外的anchor丢弃

损失函数

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-sqdrte0z-1666427526641)(D:\Program Files\Typora\RCNN图片\image-20220407220430073.png)]

训练方法

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HEy2pUnY-1666427526643)(D:\Program Files\Typora\RCNN图片\image-20220407221248893.png)]

1、论文采用分布训练，先用ImageNet预训练网络参数，并开始单独训练RPN网络。

自己代码中直接PRN+fast-RCNN联合训练

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zS5DUWke-1666427526645)(D:\Program Files\Typora\RCNN图片\image-20220407221703059.png)]

爱学习的王同学#
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【目标检测算法】R-CNN（详解）
风口IT猪的成长录
08-14 1万+
目标检测算法之R-CNN学习目标1. 目标检测-Overfeat模型1.1 滑动窗口1.2 Overfeat模型总结2. 目标检测-R-CNN模型2.1 完整R-CNN结构2.2 候选区域（Region of Interest）得出2.3 CNN网络提取特征2.4 特征向量训练分类器SVM2.5 非最大抑制（NMS）2.6 修正候选区域3. 检测的评价指标3.1 IoU交并比3.2 平均精确率（mean average precision）map4. R-CNN总结4.1 流程总结4.2 缺点5. 总结6.
【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 3433
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。
RCNN系列（算法网络详解）
最新发布
qq_51539952的博客
02-29 398
RCNN，Fast RCNN,Faster RCNN详解
目标检测 | RCNN算法系列汇总+详解(包括Fast, Faster)
Zivid_Liu的博客
03-02 7861
从RCNN到Fast RCNN，再到faster RCNN，你知道他们是怎么一步步升级的吗？
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
m0_46406029的博客
12-17 8716
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
【机器学习】经典目标检测算法：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍
qq_44832832的博客
12-04 3931
R-CNN系列（R-CNN,fast-RCNN,faster-RCNN）是使用深度学习进行物体检测的鼻祖论文，其中fast-RCNN 以及faster-RCNN都是延续R-CNN的思路。R-CNN全称region with CNN features，其实它的名字就是一个很好的解释。用CNN提取出Region Proposals中的featues，然后进行SVM分类与bbox的回归（定位置）。【RCNN网络结构】 重要思想： （1）通过专门模板去生成候选框（RPN）,寻找前景以及调整边界框（基于锚框） （2）
目标检测——R-CNN系列检测算法总结
lishanlu136的博客
12-04 738
R-CNN系列检测算法总结
深度学习算法原理——RCNN
null的专栏
10-02 2966
相比较于图像分类来说，目标检测（Object Detection）不仅需要标记出图像中的物体（通常使用边框标记），同时需要指出该物体是什么。一般比较直观的想法包括以下的三个步骤： 得到候选区域； 提取候选区域的特征； 对该候选区域分类； RCNN（Region with CNN features），又称为基于区域的卷积神经网络，也是基于上述的思路的一种目标检测的方法，基本的思路如下图所示： ...
R-CNN算法
大彤小忆的博客
01-03 2694
  R-CNN算法可以说是利用深度学习进行目标检测的开山之作。2012年AlexNet网络在ImageNet LSVRC中效果显著，因此R-CNN的作者想要尝试将AlexNet在图像分类上的能力迁移到PASCAL VOC的目标检测上。这就要解决两个问题： 如何利用卷积网络去目标定位； 如何在小规模的数据集上训练出较好的网络模型。   对于利用卷积网络去目标定位的问题，R-CNN利用候选区域(Region Proposal)的方法，这也是该网络被称为R-CNN的原因：Regions with CNN fe
R-CNN系列算法解读
Mzcc_bbms的博客
12-23 969
Mask-RCNN算法详细解读R-CNN系列from R-CNN to Mask-RCNNsliding windows detectorSelective searchR-CNNFast R-CNNMask-RCNN R-CNN系列 from R-CNN to Mask-RCNN R-CNN Fast R-CNN Faster R-CNN FPN FPN + RPN + Fast R-CNN FPN + RPN + Fast R-CNN + Mask Prediction sliding window
R-CNN系列算法
weixin_51431157的博客
04-23 238
R-CNN全称region with CNN features，用CNN取出区域中的特征，然后进行分类和回归。
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。object...
R-CNN演示文档
12-18
目标检测算法R-CNN的PPT演示文档，中文，制作精良，条理清晰，适合学习和教学
目标检测算法之Yolo系列
02-24
在yolo系列出来之前，主流的做法是分段式的R-CNN系列，主要包括R-CNN、FastR-CNN、FasterR-CNN、MaskR-CNN等。R-CNN的基本结构如下图所示：R-CNN主要分为候选区提取和候选区分类两个阶段，并且两阶段分开训练。其...
YOLO_v1目标检测算法深入理解
01-20
 目标检测算法融入于日常生活中，R-CNN系列算法是two-stage类型的算法，也就是将1)候选区；2)分类器、回归器；相互结合达到目标检测的目的，但是Faster R-CNN将候选区的选取融入到了Fast R-CNN神经网
RCNN系列（R-CNN、Fast-RCNN、Faster-RCNN、Mask-RCNN）
qq_40851561的博客
03-02 860
https://imlogm.github.io/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/rcnn/ object detection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。object detection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。 object detection技术的演进
Faster-rcnn中的损失函数
贾路飞的博客
03-28 9801
L2 loss RPN网络中对于边框的预测是一个回归问题，通常可以选择平方损失函数，即L2损失。但是当预测值与目标值相差很大时，容易产生梯度爆炸。 L2 loss = L1 loss 我们...
经典目标检测算法详解（R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、YOLO、SSD）
tigerlib的博客
11-19 4789
1 目标检测算法分类 两步走的目标检测：先进行区域推荐，而后进行目标分类 代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN 端到端的目标检测：采用一个网络一步到位 代表：YOLO、SSD ...
YOLO系列详解：YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7
热门推荐
qq_40716944的博客
03-22 15万+
一、前言 YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。 YOLO官网：https://github.com/pjreddie/darknet 1.1 YOLO vs Faster R-CNN 1、统一网络：YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fa
R-CNN系列算法优点
05-13
R-CNN系列算法是目标检测领域的经典算法，其优点主要包括： 1. 高准确率：R-CNN系列算法采用了卷积神经网络（CNN）进行特征提取和分类，可以在目标检测任务中获得较高的准确率。 2. 多样性：R-CNN系列算法包括了R-...

“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