[目标检测]——R-CNN算法

最新推荐文章于 2024-02-22 19:13:55 发布
最新推荐文章于 2024-02-22 19:13:55 发布
阅读量556 收藏 1
点赞数
分类专栏： 计算机视觉
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_42067873/article/details/117657669
版权

不使用暴力方法，而是用候选区域方法（region proposal method），创建目标检测的区域改变了图像领域实现物体检测的模型思路，R-CNN是以深度神经网络为基础的物体检测模型，以R-CNN为基点，后续的SPPNet、Fast R-CNN、Faster R-CNN模型都是照着这个物体检测思路。

R-CNN引入了候选区域，为目标检测提供了一种新的思路。

注：R-CNN原论文中提到：默认找2000个候选区域

一、R-CNN步骤

  1. 对于一张图片，原论文中默认找出2000个候选区域
  2. 2000个候选区域做大小变换，输入到CNN（AlexNet）当中，得到特征向量
    1. 2000 x 4096个特征
  3. 经过20个类别的SVM分类器，对于2000个候选区域做判断，得到【2000， 20】得分矩阵
  4. 对2000个候选区域做NMS（non-maximum suppression）,取出不好的，重叠度高的一些候选区域，得到剩下分数高的，结果好的
  5. 修正候选框（bbox）,做一个bbox的回归微调

二、候选区域（Region of interest（ROI））得出

候选区域的得出是通过一个叫做选择性搜索（SelectiveSearch，SS）的算法来得到的

1、选择性搜索算法（SS）

在选择性搜索（SelectiveSearch，SS）中，首先将每一个像素作为一组。然后，计算每一组的纹理，并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域，首先对较小的组进行分组。继续合并区域，直到所有区域都结合在一起。下图第一行展示了如何使区域增长，第二行中蓝色矩形代表合并过程中所有可能的ROI

三、CNN网络提取特征

SelectiveSearch在一张图片上提取出来约2000个候选区域，需要注意的是这些候选区域的长宽不固定。而使用CNN提取候选区域的特征向量，需要接收固定长度的输入，所以需要对候选区域做一些尺寸上的修改。

注：在候选区域的基础上提取出更高级、更抽象的特征，这些高级特征是作为下一步的分类器、回归的输入数据。

四、特征向量训练分类器SVM

  1. 假设一张图片的2000个候选区域，那么提取出来的就是2000 x 4096这样的特征向量（R-CNN当中默认CNN层输出4096维特征向量）
  2. R-CNN选用SVM进行二分类，论文中检测20个类别，那么会提供20个不同类别的SVM分类器，每个分类器都会对2000个候选区域的特征向量分别判断一次，这样得出【2000， 20】的得分矩阵，如下如所示：
    1. 如猫分类 器：即2000个候选区域做判断，得到2000个属于猫的类别

五、非极大抑制（NMS）

NMS的目的在于：筛选候选区域，目标是一个物体（图片当中真实被标记的物体）只保留一个最优的框，来抑制那些冗余的候选框

注：R-CNN预测2000个候选框，得到3个（比如有3个ground truth）比较准确的候选框

1、迭代过程

  1. 对于所有的2000个候选区域得分进行概率筛选，以0.5为基准
  2. 剩余的候选框
    1. 对于每个候选框，找出自己对应的GT（ground-truth）

2、IoU（交并比）<目标检测评估标准之一>

注：IoU是对物体位置的评估。

 IoU是一种测量在特定数据集中检测相应物体准确度的wwsss一个标准。IoU是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IoU来进行测量。为了可以使IoU用于测量任意大小形状的物体检测，我们需要：

  • ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围），我们的算法得出的结果范围。
  • 也就是说，这个标准用于测量真实和预测之间的相关度，相关度越高，该值越高。如下图所示。绿色标线是人为标记的正确结果（ground-truth），红色标线是算法预测的结果（predicted）。
  • IoU是介于0到1之间的数值。

（1）IoU的计算

IoU是两个区域重叠的部分除以两个区域的集合部分得出的结果，通过设定的阈值，与这个IoU计算结果比较。

3、目标确定

假设现在滑动窗口有：A、B、C、D、E 这5个候选框

  1. 第一轮：对于右边的车辆，假设B的得分是最高的，与B的IoU > 0.5删除。现在计算与B的IoU，DE结果 > 0.5，则剔除DE，B作为一个预测结果
  2. 第二轮：对于左边的车辆，AC中，A的得分最高，与A计算IoU，C的结果 > 0.5，剔除C，A作为一个结果

注：最终结果为在这5个中检测出的两个目标A和B，也即在理想状态下，每一个Ground truth都有一个候选框预测

六、修正候选框

SS算法得到的物体位置已经固定了，但是我们筛选出的位置不一定真的就特别准确，需要对A和B进行最后的修正。为了解决这个问题，R-CNN提供了这样的方法，建立一个bbox regressor

  • 回归用于修正筛选后的候选区域，使之回归于ground-truth，默认认为两个框之间是线性关系，因为在最后筛选出来的候选区域和ground-truth很接近

修正候选框目的：为了让候选框标注更加准确，去修正原来的位置

因此，可以得出R-CNN的输出为：一张图片预测一个X候选框，x x w = y_locate

  • y_locate：是真正算法输出的位置

七、平均精确率（mean average precision）map

注：目标检测物体类别的评测。

训练样本的标记：候选框（如R-CNN中的2000个）标记

1、精确率（查准率）和召回率（查全率）

 （1）计算

精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。

召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。

八、R-CNN缺点

  • 训练阶段多，时间长，模型多，需要训练多个模型
  • 处理速度慢

Star星屹程序设计
关注
专栏目录
PyTorch深度学习实战（19）——从零开始实现R-CNN目标检测
盼小辉丶的博客
10-07 3475
R-CNN (Region-based Convolutional Neural Network) 是 R-CNN 系列目标检测算法的初代模型，其将“深度学习”和传统的“计算机视觉”的相结合，在深度学习的框架下实现了高效的物体检测和识别。R-CNN 的核心思想是将目标检测任务分解为候选区域提取、特征提取、目标分类和边界框回归四个步骤。R-CNN 中的 “Region-based” 指的就是区域提议(候选区域)，用于在图像中识别对象。在本节中，我们将利用区域提议来完成图像中目标对象的检测和定位。
目标检测（二）—— R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN
qq_38622495的博客
09-06 2776
R-CNN 区域卷积神经网络（Regions with CNN features，简称 R-CNN）使用深度模型来解决物体识别。 具体步骤： Sective Search 。对每张输入图像使用选择性搜索来选取多个高质量的提议区域。 Resize。对每个提议区域，将其变形成卷积神经网络需要的输入尺寸。 特征抽取。选取一个预先训练好的卷积神经网络，去掉最后的输出层来作为特征抽取模块。 ...
目标检测R-CNN系列算法总结
weixin_43246440的博客
10-21 1544
目录R-CNNFast R-CNNFaster-RCNN R-CNN 它主要分为4个模块 1.候选区域（region proposal）提取 2.一个大型的CNN网络用来特征提取 3.使用SVM分类模型进行类别分类 4.使用回归（Regression）模型进行具体定位 具体RCNN的训练流程如下： 1.先使用ImageNet数据集训练一个CNN网络（论文中使用的是AlexNet） 论文中提到，因为...
目标检测之R-CNN
阿基美德的博客
08-13 253
R-CNN 原论文：Rich feature hierarchies for accurate object detection and semantic segmentation 将检测任务转化为区域上的分类任务，是深度学习方法在检测任务上的试水。 论文架构： 引文（介绍CNN之前的一些尝试） R-CNN目标检测架构 结果可视化、消融实验 ILSVRC2013目标检测数据集 语义分割 结论 主要思想为 第2节，以此作翻译+理解。 2 Object detection with R-CNN 用R-CNN
Rcnn:选择性搜索
星空点点
03-02 350
selective search 选择性搜索
RCNN选择性搜索（Selective Search）
weixin_30824277的博客
11-04 508
RCNN选择性搜索（Selective Search） 基于： 1）图片大小 2）颜色 3）纹理 4）附件 算法一：分组分类算法 输入：（图层颜色）图片 输出：对象位置假设集L Obtain initial regions R = {r1,··· ,rn} using [13] Initialise similarity set S = 空集 fore...
RCNN----选择性搜索（selective search）
AI小花猫的博客
04-17 468
深度学习selective search学习
目标检测——Faster R-CNN 之 Fast R-CNN
qq_45720073的博客
08-07 900
目标检测——Faster R-CNN 之 Fast R-CNN
目标检测算法总结（1）——R-CNN
qq_45878378的博客
08-30 1048
目标检测算法总结——R-CNN1 前言 1 前言 目标检测是人工智能里的一个传统领域，它的基本任务是图像识别并确定识别目标的基本位置。在2012年之前，目标检测所使用的传统方法主要分为三步：区域选择 、特征提取 、分类。这些传统方法有着耗时严重、产生过多冗余、鲁棒性差等缺点，使得整个目标检测发展较慢。2012年开始，深度卷积网络被应用到目标检测，取得了突破性进步，而R-CNN便是目标检测卷积网络中的第一个里程碑。 R-CNN诞生在2013年，作者是Ross Girshick，对应的paper是《Rich f
目标检测篇——Faster R-CNN
weixin_43872060的博客
06-04 7204
目录1. Faster R-CNN理论1.1 R-CNN(Region with CNN feature)1.1.1 R-CNN概述1.1.2 R-CNN流程1.1.3 R-CNN框架1.1.4 R-CNN存在的问题1.2 Fast R-CNN1.2.1 Fast R-CNN概述1.2.2 Fast R-CNN流程1.2.3 Fast R-CNN损失函数1.2.4 Fast RCNN框架1.2.5 Fast RCNN存在的问题1.3 Faster R-CNN1.3.1 Faster R-CNN概述1.3.2
rcnn+fastRcnn+fasterRcnn目标检测matlab代码及经典文章
07-07
rcnn+fastRcnn+fasterRcnn目标检测matlab代码及经典文章
目标检测（十）——利用网上训练好的R-CNN模型快速构建一个项目用于检测
lbjbs的博客
06-04 302
新建项目文件夹DETECT DETECT下新建子文件夹dataset、output dataset下新建子文件夹images、annotations、dog、background ##############################导入包############################################# import os # 用于操作文件路径 import cv2 from tensorflow.keras.models import Model, model_from_j
R-CNN算法
大彤小忆的博客
01-03 2736
  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算法详解
woduitaodong2698的博客
03-31 356
R-CNN算法详解论文背景候选区域特征提取检测测试 论文背景 论文全称：Rich feature hierarchies for accurate object detection and semantic segmentation（简称：R-CNN） 论文链接：https://arxiv.org/abs/1311.2524 论文日期：2014.10.22 论文是在2014年发表，在目标检测算法中...
交并比（IOU）的计算方法
qq_28249373的博客
03-08 5345
交并比（IOU, Intersetion Over Union）,意思就是交集和并集的比值，用来评价两个几何图形的面积重合度，在目标检测算法模型中，通常被用来计算预测框与真实框的误差（损失函数）或者在非极大值抑制（NMS）算法中用于过滤多余重叠的目标，亦或者在计算mAP时用于判断目标是否被预测到。这是一个应用非常广泛的算法，这里详细介绍一下它的算法原理，以及代码的实现方式。以上公式，是根据两个矩形有交集的情况推导出来的，如果两个矩形没有交集，以上公式如何做出判断呢？，同时又定义交集矩形的对角坐标为。
交并比IoU、准确率PA、召回率Recall、精准率Precision、F1-Score详细解释
奋土的博客
08-01 2431
*召回率（Recall）**关注模型是否能找到某一特定类别的所有实例。**精确度（Precision）**关注模型预测某一特定类别的准确性。**平均精确度（mPrecision）**提供了一个关于模型整体精确性的概览。这些指标共同提供了评估模型性能的多角度视野，有助于全面理解模型的行为，并可以用于模型优化和调整。
机器视觉笔记2——交并比IoU及代码实现
最新发布
GavinChan
02-22 1980
在目标检测领域，交并比（IoU,全称Intersection of Union）是目标检测和和分割任务中一个重要的衡量标准，根据名字很容易知道IoU即为两个边界框（或者是两个分割掩模）的交集区域的面积和两个边界框（或者是两个分割掩模）的并集区域的面积之比。
深度学习之CNN二 RCNN系列
poorfriend的博客
06-07 5551
RCNN：http://blog.csdn.net/hjimce/article/details/50187029 SSPNet：http://blog.csdn.net/hjimce/article/details/50187655 Fast RCNN：http://blog.csdn.net/u010678153/article/details/46891655 Faster RCNN：
选择性搜索(SS)算法
陈建驱的博客
01-14 5177
个人博客：http://www.chenjianqu.com/ 原文链接：http://www.chenjianqu.com/show-68.html Selective Search(选择性搜索)基于Graph-Based图像分割，是RCNN和Fast RCNN的区域推荐算法。SS算法由IJCV 2012的论文<Selective Search for Object Recognit...
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

打赏作者

Star星屹程序设计

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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