【目标检测经典算法】R-CNN、Fast R-CNN和Faster R-CNN详解系列一：R-CNN图文详解

已于 2024-03-13 14:41:39 修改
阅读量1k 收藏 19
点赞数 8
分类专栏： 模型详解与复现 文章标签： 目标检测 算法 pytorch 人工智能 cnn 神经网络 论文阅读
于 2024-03-13 11:59:00 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_45662399/article/details/136674710
版权

学习视频：Faster-RCNN理论合集

概念辨析

在目标检测中，proposals和anchors都是用于生成候选区域的概念，但它们在实现上有些许不同。

  • Anchors（锚框）： 锚框是在图像中预定义的一组框，它们通常以不同的尺度和长宽比分布在图像的每个位置。锚框的目的是覆盖图像中可能出现的各种目标形状和尺寸，以便在后续的目标检测过程中进行检测。在训练过程中，通过将锚框与真实目标框进行匹配，以确定哪些锚框包含目标，以及它们与目标的重叠程度。

  • Proposals（提议）： 提议是通过一种方法（如Selective Search或者Region Proposal Network）生成的候选区域。与锚框不同，提议的位置和形状不是预定义的，而是根据图像内容和算法生成的。提议通常是通过对图像进行分割、合并、过滤或其他技术来生成一组可能包含目标的区域。

总的来说，锚框是一种固定的形状和尺寸的预定义区域，而提议是根据图像内容和算法生成的候选区域。在训练和测试目标检测模型时，通常会使用锚框或提议来生成候选区域，并进一步对这些区域进行分类和定位。

R-CNN

R-CNN（Region-based Convolutional Neural Network） 是一种经典的目标检测方法，它将目标检测任务分解为两个子任务：1）生成候选区域（region proposals）；2）对每个候选区域进行分类和位置回归。

  • backbone : VGG16

在这里插入图片描述

R-CNN框架

R-CNN的模型框架总体分为四个部分：

  1. Region proposal: Selective Search算法生成大量候选框
  2. Feacure extraction :神经网络对候选框进行特征提取
  3. Classification: 分类器对候选框内的物体进行分类
  4. Bounding-box regression: 回归器对候选框位置进行修正

在这里插入图片描述

1. 候选框生成（使用SS算法）

在这里插入图片描述

什么是目标检测中的Selective Search (SS) 算法

Selective Search是一种常用于目标检测的候选区域生成方法。在传统的目标检测算法中，需要对图像中的每个可能包含目标的区域进行检测，但这样做会导致计算量巨大，尤其是在图像具有大量区域时。Selective Search的目标是通过一种高效的方式生成一组可能包含目标的区域，以减少后续目标检测算法的计算复杂度。

Selective Search算法的核心思想是通过结合不同的图像特征（如颜色、纹理、大小等）来生成候选区域。具体来说，该算法首先将图像分割成多个小的超像素，然后利用这些超像素之间的相似性进行合并，生成不同大小和形状的候选区域。最终，Selective Search输出一组具有多样性和丰富性的候选区域，其中有些可能包含真实目标。

这些生成的候选区域可以用作后续目标检测算法的输入，从而减少了需要检测的区域数量，提高了检测的效率。Selective Search已经成为了目标检测领域中的经典方法之一，在许多基于深度学习的目标检测算法中仍然被广泛使用。

2. 使用神经网络提取每个候选框的特征

在这里插入图片描述

由2000个候选框输入神经网络中，获取4096维的特征，变为2000*4096的矩阵。特征矩阵如下所示。

在这里插入图片描述

3. 分类器判定候选框所选物体的类别

在这里插入图片描述
在这里插入图片描述

NMS非极大值抑制

计算两个候选框（A和B）的IOU值，如果A和B两个候选框所计算的IOU计算结果都大于设定的阈值，则说明这两个候选框代表的是同一个物体，就把预测概率更低的候选框（B）删除，保留A，如此循环操作。

目的：剔除掉多个重复的候选框,只保留每个类中得分最高的候选框。

在这里插入图片描述

具体流程如下所示。

在这里插入图片描述

4. 回归器修正候选框位置

在这里插入图片描述
因为候选框位置可能不够精确，所以使用回归器对NMS剩下的候选框进行进一步的位置修正，从而得到每个类别得分最高的bounding box。

5. RCNN缺陷

  1. 计算量大：R-CNN需要在图像中生成大量的候选区域，并对每个候选区域进行CNN特征提取和分类，这导致了大量的重复计算，计算量巨大，使得其在实时性上受限。

  2. 训练和推理速度慢：由于R-CNN需要对每个候选区域进行独立的CNN前向传播，因此其训练和推理速度较慢，尤其是在大规模数据集上。

  3. 空间利用率低：R-CNN在生成候选区域时会产生大量的重叠区域，而且需要每个候选区域都要进行独立的CNN特征提取，这导致了空间利用率较低，计算资源的浪费。

  4. 不可端到端训练：R-CNN是一种多阶段的目标检测方法，需要分别训练生成候选区域的模块和分类位置回归的模块，这种多阶段的训练过程不利于端到端的优化。

  5. 感兴趣区域池化（RoI Pooling）的固定大小：R-CNN中的RoI Pooling操作将不同尺寸的候选区域映射到相同大小的特征图上，这会造成信息损失，尤其是对于较小的目标。

6. 改进

详见下篇：
【目标检测经典算法】R-CNN、Fast R-CNN和Faster R-CNN详解系列二：Fast R-CNN图文详解

好喜欢吃红柚子
关注
  • 8
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
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...
[ 目标检测 ] 经典网络模型2——Fast R-CNN 详解与复现
A_John 的博客
05-08 6214
[ 目标检测 ] 经典网络模型2——Fast R-CNN 详解与复现 1、Fast Region-based Convolutional Network； 2、Fast R-CNN详解； 3、Fast R-CNN复现； Fast R-CNN 是一种基于区域卷积网络的快速目标检测方法 ； Fast R-CNN 比 R-CNN 快 9倍，在测试时快 213倍，在 PASCAL VOC 2012 上实现了更高的映射 ； 基于此作者提出了一种单阶段训练算法 (single-stage training)......
CNN目标检测（一）：Faster RCNN详解
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
目标检测篇——Faster R-CNN
weixin_43872060的博客
06-04 7032
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
Faster R-CNN详解
kk123k的博客
01-20 9840
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-RCNN网络详解
浪客的博客
05-21 2418
前面铺垫都是为了学习最终的Faster-RCNN网络，为此学习了PASCAL VOC数据集、COCO数据集、评价指标、SS算法、R-CNN网络、Fast-RCNN网络，这些可以到本文参考博客查看。本文有两个目的，其一是作为本人自己的笔记，方便自己巩固复习；其二，希望拙劣的见解能够帮助到正在自学的朋友。
Faster RCNN详解（个人理解）
LLL8552的博客
08-24 2万+
这是我在学习Faster R-CNN的原理时做的学习总结，个人感觉还是比较详细的。
网络解析----faster rcnn
writ的博客
06-21 1429
2.提取特征：使用特定的卷积神经网络模型（如VGG，ResNet等）作为特征提取器，对输入的图像进行特征提取。特征提取的方式可以是预训练的模型，也可以是现场训练的模型。标注包括每个物体的位置和类别信息，在训练阶段使用标注信息来计算损失并更新模型。6.损失计算：将分类和边框回归的结果与标注信息进行比较，计算分类损失和边框回归损失，并将两者相加得到总损失。5.边框回归：对候选区域进行边框回归，得出物体的准确位置（即左上角坐标和右下角坐标）。4.区域分类：对候选区域进行分类，得出每个候选区域包含物体的类别概率。
目标检测总结：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
白菜的博客
02-18 1万+
转自：七月在线实验室。
【15】Faster-RCNN网络详细解读
qq_33612665的博客
12-18 6173
【1】前言 最近博客上看了很多篇关于Faster-RCNN网络详细解读，但是始终对其中的解释一知半解。刚开始以为自己懂了，有看了一些发现自己又困惑了，这个东西到底是什么，是怎么训练的？怎么传播的？里面的名词究竟是什么意思？看的始终是一知半解。对于Faster-RCNN的网络的用途以及Faste-RCNN和RCNN原理此处不讲解，只讲解Faster-RCNN的网络，对其进行详细的剖析。 【2】Faster-RCNN网络框架 ...
faster rcnn 网络结构图解
10-15
faster rcnn 网络结构图解
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
目标检测是图像处理中的一个基本问题，传统的目标检测算法和基于深度学习的目标检测算法都是解决这个问题的方法。深度学习在目标检测中的应用具有鲁棒性强、可处理大规模数据和可处理复杂的图像场景等优势。
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 ...
基于Keras实现的Faster-R-CNN安全帽检测模型源码
最新发布
03-25
项目概述：本项目是一个基于Keras框架实现的Faster R-CNN安全帽检测模型，主要用于识别图像中的...本项目以Faster R-CNN算法为基础，针对安全帽这一特定目标进行高效的检测与识别，旨在为安全监控领域提供技术支持。
Faster-RCNN网络
最白の白菜的博客
03-02 3437
Faster-RCNN网络 学习目标 熟悉FasterRCNN目标检测的思想 知道anchor（锚框）的思想 掌握RPN网络是如何进行候选区域的生成的 掌握ROIPooling的使用方法 知道fasterRCNN的训练方法 在R-CNN和Fast RCNN的基础上，在2016年提出了Faster RCNN网络模型，在结构上，Faster RCNN已经将候选区域的生成，特征提取，目标分类及目标框的回归都整合在了一个网络中，综合性能有较大提高，在检测速度方面尤为明显。接下来我们给大家详细介绍fasterR
Faster RCNN 网络分析及维度分析
David's Tweet
10-28 1958
佳文参考：《Faster RCNN 学习笔记 - 勇者归来 - 博客园》 《Faster-Rcnn中RPN（Region Proposal Network）的理解》 一、网络流图 二、维度分析 ...
RCNN、Fast-RCNN、Faster-RCNN网络详解
STATEABC的博客
04-02 6425
RCNN RCNN算法流程： 1.一张图片生成1k~2k个候选区域(使用Selective Search方法)； 2.对每个候选区域，使用深度网络(即图片分类网络)提取特征； 3.特征送入每一类的SVM分类器，判别是否属于该类； 4.使用回归器精细修正候选框位置。 1.候选区域的生成 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，得到一个层次化的区域结构，这些结构就包含着肯能需要的物体。 2.对每个候选区域，使用深度网络提取特征 将200
一文读懂Faster RCNN（大白话，超详细解析）
热门推荐
风中一匹狼的博客
08-30 14万+
文章目录一 前言二 Faster RCNN模型详解1 测试（Test）1.1 总体架构1.2 conv layers1.3 RPN1.3.1 anchors1.3.2 cls layer——分类1.3.3 reg layer——回归2 训练三 总结 一 前言 Faster RCNN是two-stage目标检测模型中的典型代表，虽然已经是16年的老模型，但检测与训练过程还是比较复杂的，至少有80%以上调包使用该模型的人其实并不理解其检测原理以及很多细节。不需要对每一个细节都死扣，但理清其检测逻辑和训练过程还是
（转） 技术揭秘：海康威视PASCAL VOC2012目标检测权威评测夺冠之道
a1424262219的博客
09-21 654
技术揭秘：海康威视PASCAL VOC2012目标检测权威评测夺冠之道 原创2016-09-21钟巧勇深度学习大讲堂 点击上方“深度学习大讲堂”可订阅哦！深度学习大讲堂是高质量原创内容平台，邀请学术界、工业界一线专家撰稿，致力于推送人工智能与深度学习最新技术、产品和活动信息！ 近年来，随着深度学习的崛起，计算机视觉得到飞速发展。目标检测作为计算机视...
基于候选区域的深度学习目标检测算法R-CNN，Fast R-CNN，Faster R-CNN
05-19
基于候选区域的深度学习目标检测算法主要有 R-CNN、Fast R-CNN 和 Faster R-CNN 三种。 1. R-CNN R-CNN（Regions with CNN features）是第一个将深度学习引入目标检测领域的算法。它的主要思路是将待检测的图像...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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