论文学习《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》

最新推荐文章于 2023-05-17 10:47:57 发布
最新推荐文章于 2023-05-17 10:47:57 发布
阅读量121 收藏
点赞数
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_45347484/article/details/102980738
版权

论文相关

论文发表在NIPS2015上
论文作者是Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun
论文连接Link

论文介绍

SPPnet和Fast R-CNN存在计算候选区域的瓶颈，为了解决候选区计算的问题，文章提出了RPN网络，这个网络与作为检测的Fast R-CNN网络共享卷积特征，使得计算候选区的运算代价几乎为零。

典型的区域候选方法有：选择性搜素方法和EdgeBoxes方法。然而这些方法耗费的时间都比较长。

作者在卷积网络原有的feature map上添加了一些卷积层，用来同时做区域边界回归和目标得分，构建了RPN网络。

网络结构

Faster R-CNN的网络结构如下图所示。
在这里插入图片描述
Faster R-CNN的模块由两部分构成：
第一部分是一个深度全卷积网络，用来选取候选区域。
第二部分是一个Fast R-CNN网络使用第一部分产生的候选区来做目标检测任务。
RPN的作用类似于attention，告诉Fast R-CNN应该关注图像的哪些区域。

训练网络所用的loss函数如下图所示
在这里插入图片描述
公式里的Lcls是关于目标和非目标的分类loss，Lreg是关于预测框和ground-truth框的回归loss。

weixin_45347484
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Region Proposal Network
beishang0031的博客
12-31 402
Region Proposal NetworkRegion Proposal Networkmmdet配置信息BackboneNeckHead Region Proposal Network 通常情况下的目标检测方法有两个分支，生成区域候选框，这在R-CNN网络中，选择用选择性搜索（selective search）来实现，但其计算成本高昂切需要人工调试，于是后续引入我们今天所要讨论的主角RPN（Region Proposal Network），它能帮助我们快速根据Anchor生成区域候选框，同时我们需要
Faster R-CNN Towards Real-Time Object Detection With Region Proposal Networks
08-06
论文：Faster R-CNN Towards Real-Time Object Detection With Region Proposal Networks
Region Proposal Networks 详解
qq314000558的专栏
08-26 7546
Region Proposal Networks是Faster RCNN出新提出来的proposal生成网络。其替代了之前RCNN和Fast RCNN中的selective search方法，将所有内容整合在一个网络中，大大提高了检测速度（语文水平差，所以历史科普请看其他文章T_T）。 缩进在正文前，还要多解释几句基础知识，已经懂的看官老爷跳过就好。 对于单通道图像+单卷积核做卷积，上一篇文章...
RPN(region proposal network)之理解
weixin_30569001的博客
10-18 174
在faster-r-cnn 中，因为引入rpn层，使得算法速度变快了不少，其实rpn主要作用预测的是 “相对的平移，缩放尺度”，rpn提取出的proposals通常要和anchor box进行拟合回归，就像 卡尔曼滤波一样，最终结果是基于观测量加上一个预测量。这里将的不错，公式和代码也 切合。 下面部分来源：http://www.cnblogs.com/dudumiaomiao/p/656...
Region Proposal Network(RPN)
shajie的博客
08-07 1971
RPN的工作过程：网络结构、原理、anchor的生成
RPN详解
qingmuluoyang的博客
12-03 6553
转载原文：https://blog.csdn.net/lanran2/article/details/54376126 ，这里的博客都挺好的，转载一下，留的 RPN全称是Region Proposal Network，Region  Proposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络； 1. RPN的意义 RPN第一次出现在世人眼中是在Fa...
Faster R-CNN: Towards Real-Time Object Detection with Region
04-06
Faster R-CNN的核心创新在于引入了区域提议网络（Region Proposal Network，RPN），它与检测网络共享全图像卷积特征，从而几乎免费地生成高质量的区域提议。 Faster R-CNN的前驱工作，如SPPnet和Fast R-CNN，虽然...
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
02-01
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
Faster R-CNN Towards Real-Time Object
最新发布
08-13
Faster R-CNN Towards Real-Time Object Detection Faster R-CNN 是一种基于 Region Proposal Networks (RPN) 的实时目标检测算法，旨在解决传统目标检测网络中 Region Proposal 算法的瓶颈问题。RPN 是一种全卷积...
RPN(Region Proposal Network)
qq_52038588的博客
10-09 1429
Fast RCNN -RPN论文笔记
个人学习笔记-计算机视觉篇-Faster R-CNN中的RPN（Region Proposal Network）
01-07
关于Faster R-CNN中的RPN网络 参考文献及资料： https://blog.csdn.net/lanran2/article/details/54376126 https://blog.csdn.net/qq_35451572/article/details/80095628 https://blog.csdn.net/u014586602/article/details/92796317 http://arxiv.org/abs/1506.01497 RPN网络是一个小型的卷积网络，作用是标定出疑似识别目标的框体交由后续处理。 参考Faster R-CNN论文中的原图（图一）
Python-使用PyTorch实现SiameseRegionProposalNetwork
08-11
使用PyTorch实现Siamese Region Proposal Network
（RegionProposal Network)RPN网络结构及详解 - 凹酱的DEEP LEARNING - CSDN博客1
08-04
（RegionProposal Network)RPN网络结构及详解 - 凹酱的DEEP LEARNING - CSDN博客1
RPN——Region Proposal Network
weixin_44364299的博客
03-06 160
Region Proposal:区域选取、提取候选框 RPN：用来提取候选框的网络 意义：把物体检测整个流程融入到一个神经网络中
RPN - region proposal network (区域选取网络)
qq_42220290的博客
05-22 1360
转：懒人元（侵删） 注：转自其他博客，仅供学习参考。 　　RPN全称是Region Proposal Network，RegionProposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络。 1. RPN的意义 　　RPN第一次出现在世人眼中是在Faster RCNN这个结构中，专门用来提取候选框，在RCNN和Fast RCNN等物体检测架构中，用来提取候选框的方法通常是Selective Search，是比较传统的方法，而且比较耗时，在CPU上要2s一..
RPN：Region Proposal Networks (区域候选网络)
zbzcDZF的博客
03-15 9358
区域建议网络（RPN）首先在faster rcnn中提出。 得到用来预测的feature map：图片在输入网络后，依次经过一系列卷积+ReLU得到的51×39×256维feature map，准备后续用来选取proposal。 生成Anchors：anchor是固定尺寸的bbox。具体作法是：把feature map每个点映射回原图的感受野的中心点当成一个基准点，然后围绕这个基准点选取k个不...
深入理解Detectron 2 — Part 4 区域建议网络（Region Proposal Network）
zhuguiqin1的专栏
07-25 3801
Figure 1. Inference result of Faster (Base) R-CNN with Feature Pyramid Network. 嗨，我是计算机视觉研究员 Hiroto Honda¹[homepage] [twitter] 在这篇文章中，我想分享我对 Detectron 2 的了解——repo 结构、构建和训练网络、处理数据集等等。 2019 年，我使用Detectron 2所基于的 maskrcnn-benchmark 在 Open Images 竞赛 (ICCV 2...
深度学习之 RPN（RegionProposal Network）- 区域候选网络
热门推荐
fenglepeng的博客
06-15 2万+
RPN的本质是 “ 基于滑窗的无类别obejct检测器 ” : 对于提取候选框最常用的SelectiveSearch方法，提取一副图像大概需要2s的时间，改进的EdgeBoxes算法将效率提高到了0.2s，但是这还不够。候选框提取不一定要在原图上做，特征图上同样可以，低分辨率特征图意味着更少的计算量，基于这个假设，MSRA的任少卿等人提出RPN（RegionProposal Network, 区域候选网络），完美解决了这个问题，它的主要功能是生成区域候选（Region Proposal）(可以看做是许多潜在
RPN（RegionProposal Network），ROI Pooling， roi align，双线性插值
m0_56175815的博客
05-17 4171
RPN是Region Proposal Network的缩写，是Faster R-CNN中的一部分。RPN的作用是用于生成候选物体区域（Region of Interest，RoI），即提出可能包含物体的区域，以便后续的物体检测和识别。
faster r-cnn: towards real-time object detection with region proposal networks
06-28
Faster R-CNN是一种基于区域建议网络（Region Proposal Networks，RPN）的物体检测算法，旨在实现实时物体检测。它通过预测每个区域是否含有物体来生成候选框，并使用卷积神经网络（CNN）来确定候选框中的物体类别。...
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