FasterR-CNN理论

最新推荐文章于 2024-07-12 11:25:47 发布
最新推荐文章于 2024-07-12 11:25:47 发布
阅读量593 收藏 1
点赞数
原文链接：https://www.bilibili.com/video/BV1af4y1m7iL?p=3
版权

发布作者：霹雳吧啦Wz

声明：作者仅为学习，如有侵权请联系作者删除博文，谢谢！

（一）FasterR-CNN理论之R-CNN

1、1RCNN算法流程

  1. 生成候选区域
    利用Selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化区域结构。这些结构就包含了可能需要的物体
    在这里插入图片描述

  2. 对于每个候选区域，使用深度网络提取特征
    选择约2000个候选区域，把其缩放到227227pixel，接着将候选区域输入时限训练好的AlexNetCNN网络。每个候选区域得到一个4096维的向量，2000个候选区域最终就得到20004096维的向量。
    在这里插入图片描述

  3. 特征送入每一类的SVM分类器，判别是否属于该类
    将20004096的特征矩阵与20个SVM组成的权值矩阵409620相乘，就能得到一个200020的概率矩阵，每一行代表的是每一个候选框归于每个类的概率，每一列代表的是不同候选框归于同一类的概率。分别对200020的矩阵每一列进行非极大值抑制剔除重叠框，得到该列，即该类中概率最高的候选框
    在这里插入图片描述非极大值抑制的步骤：
    在每一列上，首先找到得分最高的目标，计算其他目标与该目标的IOU值，如果IOU值>我们给定的阈值，那么就认为这个目标和其他目标是同一个目标，删除概率值低的候选框。（其实IOU越大说明两个目标相交的越多，就是两个目标几乎一样，那么久不需要这么多了，保留一个概率高的就行）

  4. 使用回归器精细修正候选框位置
    对非极大值抑制处理后剩余的建议框进一步筛选。接着分别用20个回归器对上述20个类别中剩余的建议框进行回归操作，最终得到每个类别的修正后的得分最高的boundingbox
    在这里插入图片描述RCNN整体框架
    在这里插入图片描述

1、2RCNN存在问题

在这里插入图片描述

（二）FasterR-CNN理论之FastR-CNN

1、1FasterR- CNN算法流程

1.生成候选区域
在一张图像上使用Selective Search算法生成1-2k个候选区域。
2. 将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上获得相应的特征矩阵。
这里与RCNN就开始不同了，RCNN是将候选框送入CNN中提取特征，这里是将整个图像送入CNN中提取特征，提取完之后将候选框直接投影到特征图中得到相应的特征矩阵
在这里插入图片描述
3. 将每个特征矩阵矩阵通过ROI Pooling层缩放到77大小的特征图，接着将特整体展平通过一系列全连接层得到预测效果。
ROIpooling：将整个图像分成77的块，然后在每个块上做最大池化操作，使得网络可以不限制输入图像的尺寸
在这里插入图片描述池化之后，网络中有分类器和候选框回归器
分类器：输出N+1个类别的概率（N为检测目标种类，1是背景概率）这里的全连接层需要N+1个节点
边界框回归器：输出对应N+1个类别的候选框边界回归参数（dx，dy，dw，dh）所以总共需要(N+1*)4。
其中橙色框是候选边界框，红色框是预测边界框，绿色框是groundtruh边界框
在这里插入图片描述

整体网络结构 整体网络结构

1、2损失函数

在这里插入图片描述由两个损失函数构成
（1）分类器损失
在这里插入图片描述其中p代表的是分类器预测的softmax的概率分布p=(p0,p1…pn)
u对应目标真实类别标签
这个-logpu是怎么来的呢？ 由下面多分类交叉熵得来：
在这里插入图片描述其中o*的独热编码是：[0,0,1,…,0] 预测的softmax概率是[0.1,0.3，0.4…0.1]
那么Loss=-log(0.4)

（2）边界框回归损失
在这里插入图片描述
**加粗样式**λ表示一个平衡系数
[u>=1]：u表示真实类别标签，如果u>=1是它就等于1，表示的是候选区域缺失属于某一个类别当中，它是一个正样本，这时才考虑边界框回归损失。
如果它不》=1它就等于0，表示候选区域是一个背景区域，是负样本，那么这时就不考虑边界框回归损失。

（三）FasterR-CNN理论之FasterR-CNN

由于FasterR-CNN的SS算法的速度过慢，所以作者又设计了RPN(Region Proposal Network)算法来选择候选框

3、1RPN的原理

在这里插入图片描述如下图所示，，首先对于我们所得到的特征图，以一个3*3的滑动窗口，依次在特征图上滑动，同时找到其中心点位于原图的位置。如何确定在原图的位置呢？就是用原图的长除以特征图的长，原图的宽除以特征图的宽，分别会得到两个步距。分别用这两个步距去乘以中心点在特征图中偏移，就得到中心点在原图的位置。
在这里插入图片描述
找到在原图中的位置后。一个中心点对应k个anchor boxes。这k个anchor boxes通过两个全连接层，分别得到分类分数和候选框回归参数。其中的分类分数总共有2k个，代表是背景和不是背景的概率，候选框回归参数有4k个，代表其候选框的位置信息和大小信息
在这里插入图片描述文章中定义了三种尺度和三种比例的anchorbox 所以这里一个位置对应9个anchor

3、2RPN的损失

（1）分类损失
在这里插入图片描述分类损失采用二元交叉熵损失或者多分类交叉熵损失
当采用多分类交叉熵损失时
在这里插入图片描述
在这里插入图片描述
一张特征图对应k个anchor，那么这张图像的整体损失是：Lcls=-ln(0.9)±ln(0.8)+…±ln(0.8)

当采用二元交叉熵损失时
在这里插入图片描述
整体的损失=Lcls=-[1ln(0.9)+0]±[0ln(0.2)+(1)*ln(1-0.2)]+… （结果与上面是相同的）

（2）边界回归框损失
在这里插入图片描述

（3）总体损失（与fastR-CNN相同）
在这里插入图片描述

沙琪玛sqm
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Faster R-CNN 理论原理
JOJOliney的博客
06-09 1393
Faster R-CNN 理论原理 一、Faster R-CNN介绍 在b站看到一位大神up主发布的CNN原理和代码的教学视频，发现非常有帮助，于是将他所讲的内容总结了下来供大家学习讨论。 下面是up的视频、代码、博客的连接： b站视频链接：https://space.bilibili.com/18161609/channel/index github代码和PPT：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing up主的CSD
Faster R-CNN论文理解
l314046573的博客
02-25 1006
跟R-CNN一样Fast R-CNN仍然依赖于外部候选区域的方法，如用SS选择性搜索的方法来生成候选区域。我们上面也提到，这是该算法在速度上达到瓶颈的一个重要原因。在测试中，Fast R-CNN需要2.3秒来进行预测，其中2秒用于生成2000个ROI。因此，这也跟后面的Faster R-CNN提供了改进方向。 Fasrer R-CNN仍然采用了跟Fast R-CNN相同的结构，它只是用内部深层网络...
Faster R-CNN
08-27
基础知识，理论及实践
Faster R-CNN详解
kk123k的博客
01-20 1万+
自R-CNN以及Fast R-CNN的出现之后，Fast R-CNN仍然有许多缺点，即选择性搜索找出所有的候选框这个也非常耗时，因此性能存在瓶颈，为了解决这个问题，Faster R-CNN就出现了。 解决：加入一个提取边缘的神经网络，也就说找到候选框的工作也交给神经网络来做了。 做这样的任务的神经网络叫做Region Proposal Network(RPN)。 基本做法： 　　• 将RPN放...
Faster R-CNN核心知识讲解
最新发布
柊泓迅的博客
07-12 939
Faster R-CNN，是由 R-CNN，Fast R-CNN，一步一步优化过来的。
CNN目标检测（一）：Faster RCNN详解
热门推荐
holy的博客
07-11 3万+
转自：http://blog.csdn.net/zy1034092330/article/details/62044941 经过RCNN和Fast RCNN的积淀，Ross B. Girshick在2016年提出了新的Faster RCNN，在结构上，Faster RCN已经将特征抽取(feature extraction)，proposal提取，bounding box reg
FasterRCNN
qq_37497304的博客
08-30 2798
论文：“Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”
Faster R-CNN理论整理
12-12
Faster R-CNN是一种在计算机视觉领域用于目标检测的深度学习模型，由Ross B. Girshick于2016年提出。它是在R-CNN（Region-based Convolutional Neural Network）和Fast R-CNN的基础上进一步优化的版本，显著提高了...
从头开始训练Faster R-CNN-python源码.zip
05-02
《从头开始训练Faster R-CNN：Python源码解析》 Faster R-CNN（快速区域卷积神经网络）是计算机视觉领域中用于目标检测的著名算法，由Ross Girshick、Kaiming He、Shaoqing Ren和Jian Sun在2015年提出。它在R-CNN...
FasterRCNN视频讲解-1.1 FasterRCNN 算法原理
03-13
自己精心整理的FasterRCNN视频讲解mp4,华文讲解,很详细!分两部分,这是1.1 FasterRCNN 算法原理
代码 FasterRcnn
01-01
引用自github的fasterrcnn代码，能够实现文章中的实验，安装readme配置即可
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
qq_22583741的博客
06-25 956
最先进的目标检测网络依赖于区域提议算法来假设对象的位置。像SPPnet [1] 和 Fast R-CNN [2] 这样的进步已经减少了这些检测网络的运行时间，使得区域提议计算成为瓶颈。在这项工作中，我们引入了一个区域提议网络（RPN），它与检测网络共享全图像卷积特征，从而实现了几乎无成本的区域提议。RPN是一个完全卷积的网络，它同时预测每个位置的对象边界和对象性分数。RPN被端到端地训练以生成高质量的区域提议，这些提议被Fast R-CNN用于检测。
目标检测篇——Faster R-CNN
weixin_43872060的博客
06-04 7198
目录1. Faster R-CNN理论1.1 R-CNN(Region with CNN feature)1.1.1 R-CNN概述1.1.2 R-CNN流程1.1.3 R-CNN框架1.1.4 R-CNN存在的问题1.2 Fast R-CNN1.2.1 Fast R-CNN概述1.2.2 Fast R-CNN流程1.2.3 Fast R-CNN损失函数1.2.4 Fast RCNN框架1.2.5 Fast RCNN存在的问题1.3 Faster R-CNN1.3.1 Faster R-CNN概述1.3.2
深度学习目标检测算法之Faster R-CNN算法
风间琉璃的博客
03-25 2142
目标检测是当前计算机视觉领域内研究的一个热点，与图像分类不一样的是，目标检测不仅要准确地识别出图像中目标的类别，还要准确的定位该目标的位置，并用边界框把目标框起来。基于深度学习的目标检测算法可以分为两类：二阶算法（Two Stage）和一阶算法（One Stage）二阶算法：先生成区域候选框，再通过卷积神经网络进行分类和回归修正。常见算法有 RCNN、SPPNet、Fast RCNN，Faster RCNN 和 RFCN 等。
原理解析—Faster R-CNN
~花花~
06-13 9466
目录 1 Conv layers 2 Region Proposal Networks(RPN) 2.1 多通道图像卷积基础知识介绍 2.2 anchors 2.3 softmax判定positive与negative 2.4 bounding box regression原理 2.5 对proposals进行bounding box regression 2.6 Proposal Layer 3 RoI pooling 3.1 为何需要RoI Pooling 3.2 RoI Pooling原理 4 Cl
深度学习驱动的Faster R-CNN在工件缺陷检测中的应用
"基于Faster R-CNN的工件表面质量缺陷检测 .pdf" 这篇论文探讨了使用深度学习技术，特别是Faster R-CNN算法，来提升工件表面质量缺陷检测的效率与准确性。传统的缺陷检测方法虽然在识别精度上表现良好，但依赖于...
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