【目标检测】Faster R-CNN理论简析

已于 2022-09-28 19:09:55 修改
阅读量528 收藏
点赞数 1
分类专栏： 深度学习图像处理 文章标签： 目标检测 深度学习 计算机视觉
于 2022-08-15 21:59:16 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_40629850/article/details/126355287
版权

Faster R-CNN理论

R-CNN

1. 简介

 深度学习进行目标检测的开山之作，2014年提出的。
 PASCAL VOC的目标检测竞赛中折桂。

2. 算法流程

  • 一张图像生成1~2k个候选区域（SS方法）
  • 对每个候选区域，使用深度网络提取特征
  • 特征送入每一类的SVM分类器，判别是否属于该类
  • 使用回归器精细修正候选框位置

3. 存在问题

  • 测试速度慢（一张图片53s(CPU)）
  • 训练速度非常慢
  • 训练所需空间大

Fast R-CNN

1. 简介

VGG16为backbone，与R-CNN相比，训练时间快9倍

2. 算法流程

  • 一张图像生成1~2k个候选区域，SS算法
  • 将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上获得相应的特征矩阵
  • 将每个特征矩阵通过ROI pooling层缩放到7*7大小的特征图，接着将特征图展平通过一系列的全连接层得到预测结果

跟随霹雳吧啦导学DL的一些记录

ShiTianL
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
mask rcnn算法分析_注意力模型RPN（faster-rcnn）与APN(RA-CNN）对比精析
weixin_39628256的博客
11-21 1307
文章有些长，建议收藏后慢慢看。细粒度图像分类仍然是一个可以出文章的课题。做这个方向的人，我觉得可以好好琢磨注意力机制。注意力机制的本质跟人眼的工作原理是相近的，因而可以让机器更智能。学习就是一个建立知识树的过程。网上有很多文章都只是树身上树干上的一个小枝干，所以不能给你建立一个完整的知识体系树。今天我这篇文章也只是一个小枝干。我力争让大家能够窥一斑而知全豹。Faster-rcnn和RA-CNN两篇...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
2. 候选区域/窗 + 深度学习分类，如 R-CNN、Fast R-CNN、Faster R-CNN 等 3. 基于深度学习的回归方法，如 YOLO、SSD、DenseBox 等 三、候选区域/窗 + 深度学习分类 候选区域/窗 + 深度学习分类是目标检测算法的一...
简述R-CNN、Fast R-CNN、Faster R-CNN
YGQ_qq_1435471912
03-18 950
最近在准备本科毕设，方向是目标检测，导师给的文章是关于Faster R-CNN的（论文题目是：Faster R-CNN：Towards Real-Time Object Detection with Region Proposal Networks），出于好奇，自己还是私底下找了一下R-CNN（论文题目是：Rich feature hierarchies for accurate object detection and semantic segmentation）、Fast R-CNN（论文题目是：Fas
Fast-RCNN简析
远方传来风铃
03-10 969
一、RCNN RCNN为Fast-RCNN的基础，发表于2014年，是首度使用深度学习神经网络进行目标检测的算法。论文名字：Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation 1、特征提取 相比于SIFT和HOG特征它提取，RCNN采用selective search后输入Alexnet，特征维度大大减少。 selective search--不关心特定的区域，即从输入图片中随机提取出200
从Paddle上手目标检测——经典算法总结
Yuetian_w的博客
05-03 984
目标检测 学习笔记 来自课程：百度AI Studio课程_学习成就梦想，AI遇见未来_AI课程 - 百度AI Studio - 人工智能学习与实训社区 (baidu.com)的学习笔记 文章目录目标检测 学习笔记发展历程**Viola Jones Detectors:****HOG Detector:****DPM(Deformable Part Model):****YOLOv3**：Fast R-CNN**Faster R-CNN**：FPN：**Cascade R-CNN**：Libra R-CNN：
一文尽览 | 开放世界目标检测的近期工作及简析！（基于Captioning/CLIP/伪标签/Prompt）...
CV_Autobot的博客
12-27 2322
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群后台回复【2D检测综述】获取鱼眼检测、实时检测、通用2D检测等近5年内所有综述！目标检测是人工智能最突出的应用之一，也是深度学习最成功的任务之一。然而，尽管深度对象检测取得了巨大进步，例如 Faster R-CNN ，已经能取得非常不错的准确性，但训练此类模型需要昂贵且耗时的监督信号，他们...
从Paddle上手目标检测：盘点最经典的two-stage模型（课设中应用最多）
Yuetian_w的博客
10-06 378
相比于模型结构，相比之下如何对模型进行训练这一方面受到的关注比较少，但是其对于目标检测任务来说同样的重要。作者回顾了检测器的标准训练过程，发现了检测性能往往受到训练过程中不平衡的限制，而这种不平衡一般由三个层次组成：样本层（sample level）、特征层（feature level）和目标层（objective level）。为了解决这个问题，作者提出了Libra R-CNN，用来平衡训练过程。
Retina U-Net论文简析
Sig的博客
08-17 6343
ConcentsTitleAbstract1.Introduction2.Related work3.Methods3.1.Retina U-NetRetina NetAdding Semantic Segmentation Supervision逐像素交叉熵损失（pixel-wide cross entropy）Dice系数损失（Dice coefficient loss）Weighted Bo...
ILSVRC2016目标检测任务回顾：图像目标检测（DET）
东南风的博客
05-07 2565
姊妹篇：ILSVRC2016目标检测任务回顾——视频目标检测（VID）        计算机视觉领域权威评测——ImageNet大规模图像识别挑战赛（Large Scale Visual Recognition Challenge）自2010年开始举办以来，一直备受关注。2016年，在该比赛的图像目标检测任务中，国内队伍大放异彩，包揽该任务前五名（如图1所示）。我们将根据前五名参赛队伍提交的摘要与...
ILSVRC2016目标检测任务回顾(图像视频目标检测)
热门推荐
u012507022的博客
01-15 2万+
计算机视觉领域权威评测——ImageNet大规模图像识别挑战赛（Large Scale Visual Recognition Challenge）自2010年开始举办以来，一直备受关注。2016年，在该比赛的图像目标检测任务中，国内队伍大放异彩，包揽该任务前五名（如图1所示）。我们将根据前五名参赛队伍提交的摘要与公开发表的论文或技术文档，简析比赛中用到的图像目标检测方法。
基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。--数据
06-06
基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN 实现目标检测 tensorflow 基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN ...
基于Keras实现的Faster-R-CNN安全帽检测模型源码
03-25
项目概述：本项目是一个基于Keras框架实现的Faster R-CNN安全帽检测模型，主要用于识别图像中的...本项目以Faster R-CNN算法为基础，针对安全帽这一特定目标进行高效的检测与识别，旨在为安全监控领域提供技术支持。
Faster R-CNN backbone - ResNet101.zip
07-03
Faster R-CNN 的基础网络，ckpt 文件
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...
深度学习评价指标：Precision, Recall, F1-score, mIOU, 和 mDice
weixin_45596561的博客
06-30 230
精确率（Precision）：衡量模型预测的正类样本中实际为正类的比例。召回率（Recall）：衡量模型对实际正类样本的识别能力。F1-score：精确率和召回率的调和平均数。平均交并比（mIOU）：衡量模型在语义分割任务中的整体性能。平均Dice系数（mDice）：衡量模型在分割任务中的效果，尤其对小目标更加敏感。通过理解和应用这些评价指标，可以更全面地评估模型的性能，从而更好地改进模型。如果有任何问题或需要进一步的解释，欢迎在评论区留言。
240627_关于CNN中图像维度变化问题
weixin_66378701的博客
06-27 761
输出通道数就是卷积核个数卷积后尺寸计算公式就是heightoutheightin−heightkernel2∗paddingstride1heightout​strideheightin​−heightkernel​2∗padding​1widthoutwidthin−widthk。
使用RNN模型构建人名分类器
最新发布
russwest44的博客
06-30 78
短文本分类问题。
深度学习基准模型Mamba
06-30 177
综上所述，MAMBA模型以其创新的选择性结构和高效的信息处理机制，为序列建模任务提供了一个有竞争力的解决方案，旨在克服现有模型在处理长序列数据时面临的挑战，同时推动深度学习技术在序列分析领域的进步。(英文直译：眼镜蛇)具有选择性状态空间的线性时间序列建模，是一种先进的状态空间模型 (SSM)，专为高效处理复杂的数据密集型序列而设计。
基于候选区域的深度学习目标检测算法R-CNN，Fast R-CNN，Faster R-CNN
05-19
基于候选区域的深度学习目标检测算法主要有 R-CNN、Fast R-CNN 和 Faster R-CNN 三种。 1. R-CNN R-CNN（Regions with CNN features）是第一个将深度学习引入目标检测领域的算法。它的主要思路是将待检测的图像分成若干个候选区域（regions），对每个候选区域进行卷积特征提取，并使用支持向量机（SVM）分类器对候选区域进行二分类，判断其是否属于目标类别。最后对分类为目标类别的候选区域进行边框回归，得到目标检测框。 2. Fast R-CNN Fast R-CNN 是 R-CNN 的改进版，主要是为了解决 R-CNN 运行速度慢的问题。与 R-CNN 不同的是，Fast R-CNN 采用了全图卷积特征提取的方式，不再对每个候选区域进行单独的卷积特征提取，这样可以避免重复计算。此外，Fast R-CNN 引入了 RoI pooling 层，将不同大小的候选区域固定为相同大小的特征图，便于后续处理。 3. Faster R-CNN Faster R-CNN 是在 Fast R-CNN 的基础上进行的改进，主要是引入了 RPN（Region Proposal Network）模块，用于生成候选区域。具体来说，RPN 使用一个小型的卷积神经网络对全图进行卷积特征提取，然后在每个位置上生成若干个候选框和相应的得分，这些候选框被送入 RoI pooling 层和 Fast R-CNN 进行分类和回归。Faster R-CNN 能够同时进行目标检测和候选区域生成，速度和准确率都有较大提升。

“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