Faster R-CNN 笔记

最新推荐文章于 2024-04-21 15:46:09 发布
最新推荐文章于 2024-04-21 15:46:09 发布
阅读量233 收藏
点赞数
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_42102248/article/details/102502841
版权
本文详述Faster R-CNN的测试和训练过程，包括RPN网络生成候选框，共享卷积层的设计，以及四步交替训练策略。通过RPN与Fast R-CNN的结合实现端到端训练，提出anchor box概念。测试时，输入图片通过共享卷积层得到特征图，RPN生成候选框，最后进行非极大值抑制得到结果。训练过程中，先独立训练RPN和检测网络，再交替微调共享卷积层和全连接层。Faster R-CNN的损失函数为两部分损失的和。尽管速度快于早期两阶段模型，但整体速度仍较慢。
摘要由CSDN通过智能技术生成

前言
1.本文重点是测试过程、训练过程以及损失函数三大模块，尽量用较少篇幅表达清楚论文算法，其他一些不影响理解算法的东西不做赘述
2.博客主要是学习记录，为了更好理解和方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正（论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考）

论文链接
代码链接
论文翻译

创新点
1.RPN网络代替selective search生成候选框，并且与检测网络共享卷积，使得Faster R-CNN可以端到端训练
2.提出anchor box

数据集
同Fast R-CNN

测试过程
1.待检测图片
2.输入共享卷积层得到特征图，此特征图分为两路，一路输入到RPN网络得到候选框，一路和得到的候选框一同输入到Rol池化中

最低0.47元/天 解锁文章
农民工小陈
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
域适应目标检测：DA Faster R-CNN源码笔记——Domain Adaptive Faster R-CNN for Object Detection in the Wild
qq_50001789的博客
06-24 338
论文《Domain Adaptive Faster R-CNN for Object Detection in the Wild》源码笔记
域适应目标检测：DA Faster R-CNN论文笔记——Domain Adaptive Faster R-CNN for Object Detection in the Wild
qq_50001789的博客
06-24 1214
论文题目：《Domain Adaptive Faster R-CNN for Object Detection in the Wild》 本文提出了一种有效解决跨域目标检测问题的域适应Faster R-CNN算法，可以实现在不使用任何附加标记数据的情况下获得新领域鲁棒性的检测器。作者在对跨域目标检测理论分析的基础上，提出了一个图像级自适应组件和实例级自适应组件来缓解由域偏移引起的模型性能下降的问题
Fast R-CNN总结
思考人生
03-29 502
程序 创新点 多任务损失：在单个训练过程中引入multi-task loss，简化学习的同时，提高检测精度，通过multi-task loss，在分类候选区域的同时，refine目标框的空间位置； 参数更新：所有层参数均可在训练中更新，SPPNet共享卷积层特征的情况下，阻止了误差反向传播通过网络，限制了检测精度的提升； 存储问题：无需在磁盘中存储特征； R-CNN缺点 mu...
目标检测之fasterRCNN
cz_bykz的博客
04-05 4354
    最近研究了一下目标检测的fasterRCNN算法，虽然已经是几年前的算法了，但还是有点难理解，自己看了一周才大概理明白，如果有什么不对的地方还请大家指出，讨论学习。    进入正题，fasterRCNN目标检测这一系列代码，是从RCNN演变过来的，具体线路是RCNN——SPPNet——fastRCNN——fasterRCNN，现在好像还有maskRCNN和denseRCNN，越新的肯定效果...
不能再详细！！！手把手教你用Faster-RCNN训练自己的数据集
热门推荐
zcy0xy的博客
03-19 7万+
接前篇：http://blog.csdn.net/zcy0xy/article/details/79614690一、环境安装准备python2.7以及相关的包cython, python-opencv, easydictFaster-RCNN用的是https://github.com/smallcorgi/Faster-RCNN_TF tensorflow版本本文假设你已经按照上面的教程完成了安装...
Faster RCNN交替训练法详解
Andy.Wang的博客
03-01 2417
对Faster RCNN的详解类文章实在是数都数不过来，这些详解类的文章大多是从网络结构角度出发，对于Faster RCNN的训练流程介绍的比较少。从我个人的经历来看，感觉单纯的理解网络结构对Faster RCNN理解的还不够透彻，尤其是生成有效anchor这一块。因此本文从Faster RCNN的训练流程这个角度出发，对Faster RCNN进行详解，重点对anchor相关的操作进行细致分支。 ...
收藏 | Faster-RCNN详解 (训练过程和RPN与Fast R-CNN)
Just_do_myself的博客
05-26 7819
Faster-RCNN有两种训练方式：四步交替迭代训练和联合训练。本文主要讲解四步交替迭代的训练方式。Faster-RCNN主要由五部分构成：特征提取网络Backbone、RPN、ROI Pooing以及RCNN。其最大的创新点就是提出RPN替代RCNN中的Selective Search，应用卷积神经网络提取ROIs，极大地提升了检测的速度，称为实时目标检测的开山之作。笔者也会着重讲解RPN，请看下文。 首先讲一下Faster-RCNN的整体网络结构和训练方式吧，搭建好框架，其余的模块理解起来便会轻松一些
Faster R-CNN学习笔记
wslkd0123的博客
08-09 218
回顾R-CNN系列： （1），R-CNN：生成候选框 + 对每个框进行分类回归的结构（生成region proposals + 提特征 + 多svm分类器 + bb回归）； （2），Fast R-CNN：在feature map上生成候选框，使用RoIpooling以统一全连接层的输入（softmax分类回归，146倍）； Faster R-CNN，贡献：提出RPN网络 （...
【PyTorch实战演练】Faster R-CNN介绍以及通过预训练模型30行代码实现目标检测_faster rcnn预训练模型
最新发布
2401_84520150的博客
04-21 793
按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解及成果，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。本文介绍Faster R-CNN的结构及原理，并基于PyTorch官方文档使用预训练好的模型进行目标检测实例。关于面试刷题也是有方法可言的，建议最好是按照专题来进行，然后由基础到高级，由浅入深来，效果会更好。Java基础部分算法与编程数据库部分流行的框架与新技术（Spring+SpringCloud+SpringCloudAlibaba）
目标检测（二）—— R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN
qq_38622495的博客
09-06 2770
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。 ...
重新审视Faster RCNN：优缺点与改进
03-09 2万+
Faster RCNN作为当前广泛使用的一种检测方法，其必定存在很有多点，当然也会有一些不足之处，在这里对这些优缺点进行一点讨论，并且提一些相关的改进的方法。
计算机视觉（三）Faster-RCNN
zhaoguanghe的博客
01-14 678
继SPP-Net和Fast R-CNN之后，两篇论文的作者又联手实现了一个对R-CNN更快加速的算法，即Faster R-CNN。论文首先分析下之前的Fast R-CNN，它使用了Softmax代替了SVM的二分类，然后把多阶段变成了多任务的算法，但是由于产生region proposal算法是selective search，只能在CPU上运行，而且由于其不是CNN网络，所以Fast R-CNN...
Faster RCNN训练过程、训练结果展示
kui9702的博客
04-10 4477
Faster RCNN 目标检测有2种，一种是one stage目标检测，比如YOLO，SSD，Retina-Net；另外一种是two stage，比如RCNN家族，SPP net等。 YOLO v3项目文章： https://blog.csdn.net/kui9702/article/details/122954209 https://blog.csdn.net/kui9702/article/details/123140249 https://blog.csdn.net/kui9702/article
【目标检测】5、Faster R-CNN
呆呆的猫的博客
04-08 2958
摘要 最先进的目标检测网络算法是基于区域候选方法来预测目标位置，SPPnet和Fast R-CNN已经减少了检测网络的运行时间，但是候选区域的计算量仍然是网络的一大瓶颈。 本文引入了区域候选网络RPN，和检测网络共享整幅图像的卷积特征图，使得候选区域的开销很小。RPN是一个全卷积网络，能够同时预测目标框边界和每个位置的得分。 RPN是利用端到端的方式来生成高质量的候选区域，和Fast R-CNN结.........
目标检测系列：Faster RCNN、FPN
qq_39382877的博客
07-31 2144
Faster RCNN FPN Faster RCNN 动机 Fast RCNN虽然对于检测的速度已经接近于达到实时，但是候选区域的提取方法依然是依赖于传统的算法例如选择性搜索，而选择性搜索在CPU上要实现一张图像的候选区域提取需要达到2秒，显然是非常耗时的。 而GPU可以达到加速网络计算的速度，因此想到利用GPU加速的网络来代替传统的算法从而实现候选区域的提取过程。于是提出RPN（区域...
FasterRCNN----交替训练
weixin_30498807的博客
05-05 865
交替训练Alternating training 第一步，我们训练RPN，该网络用ImageNet预训练的模型初始化，并端到端微调； 第二步，我们利用第一步的RPN生成的候选框，由Fast R-CNN训练一个单独的检测网络，这个检测网络同样是由ImageNet预训练的模型初始化的，这时候两个网络还没有共享卷积层； 第三步，我们用检测网络初始化RPN训练，但我们固定共享的卷积层（第二步得到的）...
Faster-RCNN框架中alt四步训练过程
Cooper.zhang
01-17 2471
对训练过程的个人理解        Faster R-CNN中其实是训练两个网络：RPN和Fast Rcnn，两个网络如果分开单独训练，都会改变共享的卷积层的参数，所以这里需要一种技巧可以对两个网络共享卷积层，而不是分开单独训练。论文中采用一种4步训练法通过选择网络来优化参数。在代码的py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_op
经典物体检测框架，Faster RCNN、SSD、YOLO以及扩展
weixin_44207288的博客
03-11 1693
经典物体检测框架 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录经典物体检测框架前言一、二阶检测器Faster　RCNN根据Faster　RCNN改进的算法二、单阶检测器1.SSD根据SSD改进的算法2.YOLO总结 前言 这篇文章是我本人看完三大经典物体检测框架后的一些总结 一、二阶检测器Faster　RCNN Faster　RCNN发表与NIPS　２０１５，相比之前的RCNN，在精度和速度上都有了很大的提升，在VOC２０１２测试集上实现了７０.４％的检测结果，主要思路
Faster R-CNN详解：区域提议网络与性能优化
Faster R-CNN是一种先进的目标检测算法，它的学习笔记主要集中在如何替代传统方法如Selective Search寻找图像中的可能物体区域。在这个框架中，关键组件包括Region Proposal Network (RPN) 和Anchor机制。 1. **...
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