R-CNN

最新推荐文章于 2024-05-29 22:01:54 发布
最新推荐文章于 2024-05-29 22:01:54 发布
阅读量122 收藏
点赞数
分类专栏： 目标检测 文章标签： 深度学习 目标检测 计算机视觉 卷积神经网络
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_43711554/article/details/90047160
版权

论文：Rich feature hierarchies for accurate object detection and semantic segmentation（CVPR 2014）

文章目录

先验知识

1、Region Proposal（Object可能出现的区域）
2、Selective Search
3、IOU（交并比）
4、Non-Maximun Suppression（NMS非极大值抑制）
5、SVM二分类器
6、Regressor（回归器）
7、Fine-tune
8、AlexNet（深入理解AlexNet网络）
9、pascal VOC数据集

训练

1、候选区域选择（Region Proposal：可能出现目标的位置）
用Selective Search方法从每张图像上选取约2000个region proposal
在这里插入图片描述

2、正负样本
根据region proposal构造训练和测试样本，region proposal和ground truth 的IOU大于等于0.5，则该region proposal作为这个ground truth类别的正样本（包括Ground Truth），否则作为负样本
3、预训练
AlexNet在ImageNet数据集上进行预训练
4、CNN特征提取
用pascal VOC数据集训练，将region proposal统一尺寸227 * 227，作为预训练网络的输入，fine tune输出 1000 → 21 1000\to21 1000→21（ILSVRC 2012：1000类；VOC：21类），保留f7的输出特征2000 * 4096维
5、分类与边界回归
针对每个类别，以f7层输出为输入，训练SVM权重4096 * 20维，输出是否属于该类别。这里负样本的选定和前面不同：将IOU的阈值从0.5改成0.3，即IOU<0.3的是负样本，正样本是Ground Truth。（前面fine-tuning需要大量的样本，所以设置成0.5会比较宽松。而在SVM阶段是由于SVM适用于小样本，所以设置0.3会更严格一点）测试时得到2000*20维的得分输出，根据得分进行非极大值抑制，去除重复框，针对每个类别（一共20类）训练一个回归器，输入是pool5的特征和每个样本对的坐标即长宽

测试

1、候选区域选择（Region Proposal：可能出现目标的位置）
用selective search得到测试图片的2000个region proposal
2、CNN特征提取
将所有region proposal变换到固定尺寸并作为训练好的CNN网络的输入，得到f7层的4096维特征，所以f7层的输出是2000*4096
3、分类得分
用训练好的该类别的svm分类器（20个）对提取到的特征打分，得分矩阵是2000 * 20
4、NMS去重
5、bounding box
用N=20个回归器对第4步得到的20个类别的region proposal进行回归，要用到pool5层的特征。pool5特征的权重W是在训练阶段的结果，测试的时候直接用。最后得到每个类别的修正后的bounding box

缺点：流程复杂，包括region proposal的选取，训练卷积神经网络（softmax classifier，log loss），训练SVM（hinge loss）和训练 regressor（squared loss），训练时间长，占用磁盘空间大。每个region proposal都要重新计算，有大量重复计算

参考文献

【1】R-CNN论文详解（论文翻译）
【2】【深度学习】R-CNN 论文解读及个人理解
【3】R-CNN 论文翻译
【4】目标检测之选择性搜索-Selective Search
【5】R-CNN论文详解
【6】【目标检测】RCNN算法详解
【7】R-CNN算法详解
【8】R-CNN目标检测详细解析

xiaochengJF
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R-CNN和Fast R-CNN组内汇报PPT
03-12
本文档对R-CNN和Fast R-CNN的组内汇报进行了详细的介绍，涵盖了目标检测领域的发展、R-CNN的提出、Selective Search算法、R-CNN算法流程、Fast R-CNN的改进等方面。 随着人工智能和深度学习技术的发展，目标检测...
Faster R-CNN backbone - ResNet101.zip
07-03
标题"Faster R-CNN backbone - ResNet101.zip"涉及的是计算机视觉领域的一个关键算法——Faster R-CNN（快速区域卷积神经网络），它使用ResNet101作为其基础特征提取网络。Faster R-CNN是目标检测领域的里程碑式工作...
目标检测 | R-CNN、Fast R-CNN与Faster R-CNN理论讲解
最新发布
houjingchuan的博客
05-29 2209
目标检测：R-CNN、Fast R-CNN与Faster R-CNN理论讲解，根据B站up霹雳吧啦Wz总结。此文章包含R-CNN算法原理讲解、Fast R-CNN算法原理讲解、Faster R-CNN原理讲解、目标检测评价指标介绍与特征金字塔网络FPN讲解。
实例分割模型Mask R-CNN详解：从R-CNN，Fast R-CNN，Faster R-CNN再到Mask R-CNN
热门推荐
jiongnima的博客
01-21 9万+
   Mask R-CNN是ICCV 2017的best paper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。Mask R-CNN就是典型的代表。本篇大作的一作是何凯明，在该篇论文发表的时候，何凯明已经去了FaceBook。我们先来看一下，Mask R-CNN取得了...
【深度学习基础】从R-CNN到Fast R-CNN，再到MaskR-CNN，发展历程讲清楚！
欢迎时常光顾我的干货超市，热衷于AIoT！！
11-02 747
【深度学习基础】从R-CNN到Fast R-CNN，再到MaskR-CNN，发展历程讲清楚！
R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN——双阶段目标检测算法的进阶之路
weixin_65301577的博客
02-15 2213
写在前面：本博客的灵感来自【AI 菌】的【R-CNN系列算法精讲】(感谢大佬的好文！)，在【AI菌】的【R-CNN系列算法精讲基础】上加入了自己的理解和对Mask R-CNN的介绍。写下本博客的目的是为了记录自己学习目标检测的过程和将自己对R-CNN系列算法的浅薄理解在各位码友面前展示，欢迎各位网友批评指正。您的质疑和建议都会让我们双方对R-CNN系列算法拥有更深刻的理解！
【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 5802
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。
R-CNN Fast R-CNN Faster R-CNN的差异性
weixin_42430979的博客
05-11 199
R-CNN包括Region proposal(Selective Search)、Feature extraction、Classification（SVM）、Bounding-box regression(regression)四个部分。Faster R-CNN是端对端的网络，Region proposal、Feature extraction、Classification、Bounding-box regression四个部分均融合在CNN网络中。
R-CNN，Fast R-CNN详解
fakerth的博客
11-25 773
R-CNN，Fast R-CNN详解
【目标检测经典模型比较】--Fast R-CNN Faster R-CNN Mask R-CNN
weixin_62371528的博客
02-06 1411
【目标检测经典模型比较】二阶段--Fast R-CNN Faster R-CNN Mask R-CNN三者比较与进步，包括各自优缺点。目标检测入门二阶段检测算法。
R-CNN、Fast R-CNN、Faster R-CNN
qq_42261092的博客
07-03 1013
1、R-CNN(Regions with CNN features) 2014年提出，可以说是利用深度学习进行目标检测的开山之作，将识别准确率从30%多提高到50%多。与R-CNN同一时期的深度学习方法有overfit，但效果没有RCNN好，故听说得少。 ① R-CNN算法流程四步 第二步：这里的深度网络指的是图片分类网络，这里将候选区域丢入到特征提取网络就能得到特征向量； 第四步：因为通过SS算法框定的候选框不是那么准，于是选用回归器修正候选框的位置； Ⅰ 候选区域的生成 ...
R-CNN、SPPNet、Fast Rcnn、Faster R-CNN 原理以及区别
01-06
R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先...
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...
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...
Mask R-CNN预训练权重
05-26
Mask R-CNN数据标注和模型训练 教程：https://yidamyth.blog.csdn.net/article/details/124851003 使用Mask R-CNN标注自定义数据集，训练自己的模型。 本资源是教程中所需要加载的预训练模型，提供一个便捷的下载...
基于Keras实现的Faster-R-CNN安全帽检测模型源码
03-25
项目代码开源，托管于GitHub（https://github.com/DataXujing/Faster-R-CNN-Keras）。 技术细节： - 主要编程语言：Python - 文件构成：项目共包含50个文件，具体包括： - Python脚本（.py）：22个 - Python编译...
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 ...
Mask R-CNN 原理文档
04-25
**Mask R-CNN 概述** Mask R-CNN 是一种深度学习模型，专门用于实例分割和目标检测任务。由Kaiming He、Georgia Gkioxari、Pedro Dollar和Roie Fihrer在2017年提出，该模型在 Faster R-CNN 的基础上进行了扩展，...
R-CNN、fast-R-CNN、faster-R-CNN、mask-R-CNN介绍
03-01
R-CNN（Region-based Convolutional Neural Networks）是一种目标检测算法，它通过两个阶段来检测图像中的目标物体。首先，R-CNN使用选择性搜索（Selective Search）算法生成一系列候选区域，然后对每个候选区域进行...
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