Pytorch:Faster RCNN
文章平均质量分 85
Faster RCNN
丁天牛
小白也要拥有大梦想
展开
-
理解Anchor、RPN真值与预测量、RPN卷积网络
RPNRPN部分的输入、输出如下:输入:feature map、物体标签、即训练集中所有物体的类别与边框位置输出:Proposal、分类Loss、回归Loss,其中,Proposal作为生成区域,供后续模块分类与回归。两部分损失用作优化网络...原创 2021-08-05 15:31:34 · 949 阅读 · 1 评论 -
Faster RCNN总览
如下图所示为Faster RCNN算法的基本流程,从功能模块来讲,主要包括四个部分:特征提取网络、RPN模块、RoI Pooling(Region of Interest)模块与RCNN模块,虚线表示仅仅在训练时有的步骤。Faster RCNN延续了RCNN系列的思想,即先进行感兴趣区域RoI的生成,然后再把生成的区域分类,最后完成物体的检测,这里的RoI使用的即是RPN模块,区域分类是RCNN网络特征提取网络Backbone:输入图像首先经过Backbone得到特征图,在此以VGGNet为例,假设输入图原创 2021-08-04 16:31:32 · 345 阅读 · 0 评论 -
RCNN系列发展历程
开山之作:RCNNRCNN算法由Ross Girshick等人发表在CVPR 2014,将卷积神经网络应用于特征提取,并借助于CNN良好的特征提取性能,一举将PASCAL VOC数据集的检测率从35.1%提升到了53.7%RCNN算法流程图如下图所示,RCNN仍然延续传统物体检测思想,将物体检测当做分类任务处理,即先提取一系列的候选区域,然后对候选区域进行分类具体过程主要包含四步:候选区域生成。采用Region Proposal提取候选区域,例如SelectiveSearch算法,先将图像分割成小原创 2021-07-31 18:11:15 · 2372 阅读 · 0 评论