目标检测：R-CNN系列

已于 2023-03-23 15:29:34 修改
阅读量258 收藏 2
点赞数 1
分类专栏： 计算机视觉(分类/检测/分割) 文章标签： 计算机视觉 深度学习 网络
于 2021-06-21 10:38:17 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_43999691/article/details/118081294
版权

前言

        之前已经介绍过分类算法了，输入一张图片，通过卷积-池化-全连接基本模块，可以对图片进行区分。但实际的生活中，并不是对一张图片进行分类就够了，或者说分类已经无法满足我们的需求了，比如收集手机拍照时，会有一个矩形的框对人体或者人脸进行识别，这就是通俗的检测了。

目标检测基本概念

         分类：是什么？定位：在那里？是什么？检测：在那里？分别是什么？

        1.BBox：边界框，格式(x,y,w,h)，其中x和y可以是左上角的左边或者是边界框中心点的坐标，w和h分别是框的固定宽和高。

        2.IOU：交并比。两个框的交集/两个框的并集，用来确定正负样本

        3.NMS：非极大抑制，通过IOU计算分数最高的框，然后计算与最高分数框重合过多的框。

R-CNN系列算法的介绍

       R-CNN的基本思路：

  1. 通过选择性搜索(selective search:感兴趣可以去了解一下)生成2k个候选框
  2. 将候选框resize成统一的大小输入CNN网络(这里用到的是AlexNet网络，所以resize成277*277的输入，经过5层卷积和2层全连接，输出4096长度的输出)
  3. 将每个候选框的输出通过SVM进行打分(通过NMS去掉高分区域中IOU大于阈值的候选框)，同时候选框通过BBox regression进行调整。
  4. 最后输出类别和框

注意：CNN的参数是共享的，但是每一个类别的svm参数是不同的，有多少类就有多少svm分类器进行分类。

        fast-R-CNN基本思路：

  1. 输入是224*224，经过5个卷积层和2个降采样层（这两个降采样层分别跟在第一和第二个卷积层后面）后
  2. 进入ROIPooling层，该层是输入是conv5层的输出和region proposal，region proposal的个数差不多2000。然后再经过两个都是output是4096的全连接层。
  3. 最后分别经过output个数是21和84的两个全连接层（这两个全连接层是并列的，不是前后关系），前者是分类的输出，代表每个region proposal属于每个类别（21类）的得分，后者是回归的输出，代表每个region proposal的四个坐标。
  4. 最后是两个损失层，分类的是softmaxWithLoss，输入是label和分类层输出的得分；回归的是SmoothL1Loss，输入是回归层的输出和target坐标及weight。（摘抄：Fast RCNN算法详解_fast rcnn详解_AI之路的博客-CSDN博客）

注意：Fast R-CNN与R-CNN在训练上的区别主要是

  1. 第一个卷积块输入时是整张图片
  2. 第二步将整张图片卷积后的结果和2k个候选框输入到ROI层中进行尺寸的调整
  3. 分类器不再使用SVM进行分类，通过softmax进行分类和回归

        Faster R-CNN基本思路：

  1. 输入图像。
  2. 通过区域生成网络RPN生成候选区域。
  3. 提取特征。
  4. 分类器分类，回归器回归并进行位置调整。

目标检测所需要的四个步骤，即候选区域生成，特征提取，分类器分类，回归器回归，这四步全都交给深度神经网络来做。由两个模块组成：区域生成网络RPN候选框提取模块+Fast RCNN检测模块（摘抄：https://blog.csdn.net/gentelyang/article/details/80469553）

文中相应的图片来自博客：https://blog.csdn.net/weixin_41108334/article/details/82897572?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control

呆呆珝
关注
专栏目录
目标检测：R-CNN
flyingzhao
12-17 4097
《Rich feature hierarchies for accurate object detection and semantic segmentation》论文解读目标检测问题就是从图片中检测出目标的位置并判断目标的类别，比如人脸检测问题。不过人脸检测问题只是一种专门针对人脸的检测问题，而本文提出的R-CNN是通用目标检测问题，针对20类目标的检测。通用目标检测问题只需要进行适当修改就可以应
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
目标检测算法概述 本文将对目标检测算法进行概述，包括传统的目标检测算法、候选区域/窗 + 深度学习分类、基于深度学习的回归方法。 一、目标检测概述 目标检测是图像处理中的一个基本问题，即在给定的图片中精确...
目标检测-RCNN
念去去的博客
12-06 327
rcnn首先会做一个region proposal，也就是任意的找到一些疑似完整物体的区域，这一步是任意的，根据梯度信息找到一些边缘，然后就圈出来了。这一步会找到非常多的区域作为候选框，给接下来的分类提供素材。论文说的是找了两千多个 接着把那些候选框一个一个输入神经网络，算出特征 接着把算出的特征交给svm去做分类，得到分类与置信度。 最后每个类别在训练出四个向量，保证预测的时候特征这四个向量可...
目标检测之R-CNN系列
踏雪博客
12-05 907
R-CNN 整体结构 Region proposal -> warped region -> CNN -> FC -> linear SVM、regression 训练步骤 对CNN进行Supervised pre-training 在有大量数据的ILSVRC 2012数据集上进行分类训练，达到较好的效果 Domain-specific fine-tuning 使用...
（三）目标检测之 R-CNN系列
天青如水的博客
12-16 2693
目标检测之 R-CNN系列R-CNNFast R-CNNFaster R-CNNMask R-CNN R-CNN,Fast R-CNN,Faster R-CNN,Mask R-CNN R-CNN系列的四篇文章如下： R-CNN: https://arxiv.org/abs/1311.2524 Fast R-CNN: https://arxiv.org/abs/1504.08083 Faster R-CNN: https://arxiv.org/abs/1506.01497 Mask R-CNN: htt
RCNN目标检测
ferry的博客
12-30 151
RCNN目标检测总结 R-CNN fast R-CNN faster R-CNN mask R-CNN RCNN selection search ROI 耗时的串行式CNN前向传播，对于每一个RoI，都需要经过一个AlexNet提特征 SVM 使用bounding box regression进行目标包围框的修正 Fast RCNN selection search ROI poo...
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...
基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN - Madcola - 博客园1
08-04
R-CNN（Region-based Convolutional Neural Network）、Fast R-CNN和Faster R-CNN是这一领域的里程碑式工作，它们逐步优化了目标检测的效率和准确性。 R-CNN（2014年）是最早将深度学习引入目标检测的技术之一。它...
目标检测：Mask R-CNN
05-10
Mask R-CNN 是一个小巧、灵活的通用对象实例分割框架（object instance segmentation）。它不仅可对图像中的目标进行检测，还可以对每一个目标给出一个高质量的分割结果。项目特性 目标检测，直接在结果图上绘制了...
RCNN--目标检测
dulingtingzi的博客
06-26 1297
转载自：https://www.cnblogs.com/zyber/p/6672144.html 感觉这篇文章讲的很细致，故而转载以备后面复习研读 原博文：http://www.cnblogs.com/soulmate1023/p/5530600.html 文章简要介绍RCNN的框架，主要包含： 原图--》候选区域生成--》对每个候选区域利用深度学习网络进行特征提取--》特征送入每一类SV...
目标检测RCNN
weixin_43082343的博客
08-12 392
目标检测的RCNN算法， 原文地址：https://arxiv.org/pdf/1311.2524.pdf RCNN将候选区域（region proposal）与 CNN 结合，分为四个步骤： 原论文中的结构图：
目标检测之RCNN
X_Jun005的博客
07-13 323
何为目标检测 目标检测描述-简书，目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。 RCNN 我们这篇只讲RCNN R-CNN（Region CNN，区域卷积神经网络）可以说是利用深度学习进行目标检测的开山之作，作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更是带领团队获得了终身成就奖，如今就职于
目标检测—RCNN系列
weixin_44768052的博客
04-09 4773
工程应用中，检测算法以one-stage算法yolo系列等为主，因为one-stage通常来说速度快，可以完成良好的实时检测。 本文回顾的是two-stage算法:RCNN系列 One-stage and two-stage: one-stage: 直接回归物体的类别概率和位置坐标值（无region pr...
R-CNN网络基础
最白の白菜的博客
02-28 1436
目录R-CNN网络基础Overfeat模型RCNN模型算法流程候选区域生成CNN网络提取特征目标分类（SVM）目标定位预测过程算法总结Fast RCNN模型算法流程ROI Pooling目标分类和回归模型训练模型预测模型总结总结 R-CNN网络基础 学习目标 了解Overfeat模型的移动窗口方法 了解RCNN目标检测的思想 了解fastRCNN目标检测的思想 知道多任务损失 Overfeat模型 Overfeat方法使用滑动窗口进行目标检测，也就是使用滑动窗口和神经网络来检测目标。滑动窗口使用固定宽
【目标检测】R-CNN 系列
JNing
12-02 1148
【目标检测】R-CNN 系列
目标检测之R-CNN
qq_40716944的博客
03-23 985
R-CNN（region with CNN feature）于13年被Ross Girshick（江湖人称RBG大神）提出，是使用深度学习进行目标检测的里程碑式的工作，可以说这项工作很大程度推动了深度学习在目标检测中的应用。 一、动机及解决的问题 1、与分类任务不同，目标检测需要框出指定的区域，有相关paper直接使用回归的方法得到区域的位置，但实际应用起来效果并不好；另外，有方法直接使用滑窗加深度学习的方法，不过这一类方法通常网络层次并不深，主要考虑到的是一旦网络层次加深，最后输出的特征...
深度学习目标检测：R-CNN家族的演进解析
"本文主要介绍了深度学习在目标检测领域的演进过程，特别是R-CNN系列的方法，包括R-CNN、SppNET、Fast R-CNN和Faster R-CNN。文章探讨了目标检测的核心问题，即如何在图像中精确识别并定位物体，以及解决这一问题的...
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

呆呆珝

您的打赏是我的动力

¥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