Faster R-CNN 划重点

已于 2022-06-27 01:04:31 修改
阅读量266 收藏 1
点赞数
分类专栏： 目标检测 RCNN 文章标签： cnn 深度学习 人工智能
于 2022-06-25 10:24:58 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_43851181/article/details/125455863
版权

Faster R-CNN的几个重要点

1、Region proposals 如何生成？
在conv feature map上滑动窗口，找到每个窗口中心点在原始图像中的位置，生成k=9个anchor boxes，9个boxes中每个box进行卷积计算后输出是一个256维的向量经过不同fc层得到reg和cls：reg层有4*9=36个坐标；cls层只表示这个box是object还是背景，为概率打分。

滑动窗口在feature map上，anchor在原图上。滑动窗口生成的score和坐标影响anchor：根据偏移量修正anchor得到proposal。这些proposals被非极大值抑制约束到只剩下2000个。（第14min）

2、muti-task loss
pi 表示 【预测出的】 anchor i 是object的概率，
pi* = 1 表示 anchor i 是 object ； pi* = 0 表示 anchor i 是 背景，此时Lreg不参与计算

3、bbox回归（拟合）------ 不直接预测坐标，预测偏移量
【tx是预测网络的回归参数】

【tx是GT的回归参数】
x-xa：预测的x - Anchor的x
x-xa：ground-truth box的x - Anchor的x
wa是anchor的高宽，【【【不是anchor的权重】】】】

【在yolo v2也会用到！！】
下面的【减号】换成【加号】

区别：Faster R-CNN中是计算偏移量tx，ty等；但是yolov2中直接计算坐标x，y

像啦啦啦同志学习
关注
专栏目录
【PyTorch】实现R-CNN、Fast R-CNN和 Faster R-CNN
gongdiwudu的专栏
10-13 4986
目标检测的目标可以看作是分类问题的扩展。在分类中，我们在图像中有一个占据中心图像区域的主要实例或对象。然后，我们的目标是检测图像中的内容。对象检测类似，但更复杂。首先，我们不仅需要猜测它在图像中是什么，还需要检测它的位置。这通常是通过在对象边界框周围放置一个矩形框来完成的。这种定位是在地面实况标签方面完成的。也就是说，算法应该学习注释器的标记过程以及如何精确放置这个矩形框。从本质上讲，这可以转换为回归问题。另一方面，图像中确切内容的答案代表分类问题。对于我们预测的每个对象：图像中有什么？
【个人整理】faster-RCNN的关键点(区域推荐网络RPN)详解
MIss-Y的博客
03-28 1万+
前言：faster-RCNN是区域卷积神经网络的第三篇文章，是为了解决select search方法找寻region proposal速度太慢的问题而提出来的，整个faster-RCNN的大致框架依然是沿袭了fast-RCNN的基本能结构，只不过在region proposal的产生上面应用了专门的技术手段——区域推荐网络（region proposal network，即RPN），这是整...
【深度学习模型】了解一下Faster RCNN
tobefans的博客
06-24 1519
Faster RCNN 由 论文提出，是继R-CNN和Fast RCNN之后的目标检测上的又一力作。R-CNN提出selective search(SS)来搜索region proposal(RP)；Fast RCNN指出不必对每个RP各自提CNN特征，可以对原图提好CNN特征，再将SS找到的RP映射到CNN特征层上；Faster RCNN则提出了RPN层，将特征提取，proposal提取，bounding box整合在了一个网络中，极大地提高了检测速度。...
Faster-RCNN的关键点总结
I-am-Unique
08-31 8875
“  要得到，你必须要付出，要付出，你还要学会坚持。如果你真的觉得很难，那你就放弃，但放弃你就不要抱怨。”     2018年8月31日12:00:00 8月的最后一天了~ 真的好累 坚持，再坚持。 一想到上了这么多年学就是为了现在，就~ 好吧，不废话了 把自己最近总结的关键点记录下来：                    先解释下吧（自己总结的）： Faster-R...
目标检测系列——Faster R-CNN原理详解
秃头小苏的博客
07-03 6483
  前文我已经介绍过R-CNN、Fast R-CNN的原理，具体内容可以点击下面链接阅读。【注：阅读此篇之前建议对R-CNN和Fast R-CNN有一定的了解】  Faster R-CNN算是这个目标检测系列的最后一篇了，在速度和准确率上也相对达到了比较好的效果，所以还是非常重要的。后面可能会更新语义分割Mask RCNN，当然这都是后话啦。现在就和我一起来学学Faster R-CNN吧。🍻🍻🍻 ​  不知大家是否还记得Fast R-CNN的流程？这里帮大家回忆一下，其步骤如下：​  那么Faster...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
热门推荐
结构之法 算法之道
05-02 12万+
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 前言 之前我所在的公司七月在线开设的深度学习等一系列课程经常会讲目标检测，包括R-CNN、Fast R-CNN、Faster R-CNN，但一直没有比较好的机会深入（但当你对目标检测有个基本的了解之后，再看这些课程你会收益很大）。但目标检测这个领域实在是太火了，经常会看到一些写的不...
目标检测算法——Faster R-CNN
Clichong
06-06 2462
1.Faster R-CNN简介 Faster R-CNN，论文名称：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks，原文链接 同样使用VGG16作为网络的backbone，推理速度在GPU上达到5fps(包括候选区域的生成)，准确率也有进一步的提升。在2015年的ILSVRC以及COCO竞赛中获得多个项目的第一名。该算法在fast rcnn基础上提出了RPN候选框生成算法，使得目标检测速度大大提高
Faster R-CNN理论
weixin_45042017的博客
03-13 4883
Faster R-CNN是作者作者Ross Girshick继Fast R-NN之后的又一力作。同样使用VGG16作为网络的backbone,推理速度在GPU上达到5fps(包括候选区域的生成)，准确率也有进一步的提升。在2015年的ILSVRC以及COCO竞赛中获得多个项目的第一名。 文章目录前言理论部分 理论部分 在讲Faster R-CNN之前我们先来简单的看一下它的上一代算法：Fast R-CNN Fast R-CNN算法的流程可以分为三
R-CNN、Fast R-CNN、Faster R-CNN深度剖析
猫ER
02-17 1620
讲解目标检测中R-CNN系列的发展变迁，以及家族中各个版本算法的特点，并且着重讲解Faster R-CNN的详细原理，以及算法的首先流程，模型的训练流程。
【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
2401_84520150的博客
04-21 905
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）
基于Faster R-CNN的服务机器人物品识别研究.pdf
08-14
最后，文章中提到的关键字：服务机器人、深度学习、Faster R-CNN、物品识别，均为当前人工智能领域关注的重点。服务机器人作为技术研究和产业应用的交汇点，随着技术的成熟和成本的降低，它的应用范围将越来越广。...
【深度学习】目标检测算法总结（R-CNN、Fast R-CNN、Faster R-CNN、FPN、YOLO、SSD、RetinaNet）...
郭耀华's Blog | 人工智能领域技术博客
05-05 478
目标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器，它们都是目前最为优秀的方法。 ...
基于 GADF+Swin-CNN-GAM 的高创新扰动信号识别模型！
10-30 708
基于格拉姆矩阵GADF+Swin Transformer窗口注意力和CNN-GAM全局注意力的电能质量扰动信号识别模型!
引入了窥视孔连接（peephole connections）的LSTM
m0_73640344的博客
10-29 616
通过引入窥视孔连接，LSTM能够更加精确地控制信息流，因为每个门都可以根据细胞状态的即时值进行调整。这种设计不仅增强了模型的性能，尤其是在需要精细控制内部状态记忆的应用中，如复杂的序列预测和模式识别任务，也提高了决策过程的透明度和直观性。
深度学习之激活函数
最新发布
weixin_43775295的博客
10-30 1080
PiexpθiTx∑k1KexpθiTxPi∑k1K​expθiT​xexpθiT​x​​ 其中，$ \theta_i $ 和 $ x $ 是列向量，$ \theta_i^T x $ 可能被换成函数关于 $ x $ 的函数 $ f_i(x) $​ 通过 softmax 函数，可以使得 $ P(i) $ 的范围在 $ [0,1] $ 之间。
基于YOLO11/v10/v8/v5深度学习的危险驾驶行为检测识别系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
阿旭的博客
10-30 1542
基于YOLO11/v10/v8/v5深度学习的危险驾驶行为检测识别系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
深入探索：深度学习在时间序列预测中的强大应用与实现
平凡程序猿~的博客
10-28 3438
随着深度学习的快速发展，循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）以及Transformer模型逐步应用到时间序列分析中，并取得了较好的结果。下面将详细介绍这些模型的原理、优势、不足以及实际应用中的代码示例。
深度学习：梯度下降算法简介
m0_73640344的博客
10-29 1271
在深度学习的训练过程中，梯度下降算法（Gradient Descent，简称GD）扮演着至关重要的角色。这一算法的核心机制是利用数据集的梯度信息来迭代更新模型参数，以最小化损失函数。接下来，我们将详细讨论其各种变体和进化。1. 随机梯度下降（SGD）由于全批量的梯度下降在面对大规模数据集时会受到内存限制和迭代速度的制约，学者们提出了随机梯度下降（Stochastic Gradient Descent，SGD）。这种方法每次迭代仅使用数据集中的一个小批量样本来计算梯度和更新参数。
【征程 6 工具链性能分析与优化-1】编译器预估 perf 解读与性能分析
地平线开发者
10-30 940
这篇文章中，我们将首先介绍layerdetails中的参数信息，然后将结合实例分析如何利用layerdetails来分析模型的性能瓶颈，进而对模型的性能进行优化。
深度学习物体检测：Faster R-CNN详解
本文是一篇关于目标检测的深入指南，主要关注于深度学习在该领域的应用，特别是Faster R-CNN模型的详解。作者从计算机视觉的基础概念出发，阐述了物体检测在计算机视觉任务中的重要性，将其与其他任务如分类、定位和...
评论 1
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