目标检测——R-CNN原理

最新推荐文章于 2023-12-01 08:56:18 发布
最新推荐文章于 2023-12-01 08:56:18 发布
阅读量1.7k 收藏 10
点赞数 1
分类专栏： Object Detection 文章标签： 神经网络 机器学习 深度学习 人工智能
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_45698935/article/details/105800846
版权

R-CNN——Ross Girshick

简介

R-CNN（region with CNN features）是一类用于处理序列数据的神经网络。R-CNN是使用深度学习进行目标检测的鼻祖论文（Rich feature hierarchies for accurate object detection and semantic segmentation），此后诸如Fast-RCNN和Faster-RCNN都是基于RCNN的改进。

RCNN的优点

  1. 速度快。以往的目标检测算法使用滑窗依次判断所有可能的区域，而R-CNN则预先提取一系列可能是物体的候选区域，然后在候选去上提取特征。
  2. 自动特征提取。传统目标检测算法在区域中提取人工设定的特征（Haar，HOG），而R-CNN训练深度神经网络进行特征提取。

RCNN的缺点

  1. 候选框没有共享神经网络，参数多。
  2. 使用SVM分类，较为复杂。

RCNN的大致流程

  1. 生成候选区
  2. 候选区上使用深度神经网络提取特征
  3. 特征用SVM分类器分类
  4. 回归器修正候选框位置

这里写图片描述

RCNN基本原理

目标检测主要有两个任务：其一，对于图像中的每个物体，判断出物体的类型，即分类；其二，判断物体的位置，一般选用回归的方法实现。

img

整体框架：

在这里插入图片描述

名词解释

IoU：intersaction over union

NMS：非极大值抑制算法

Bounding Box：把物体位置标注出来的矩形框

Ground Truth：正确的标注数据

Region Proposal：候选区

fine-tune：微调

候选区域的生成

生成候选区的方法有：objectness、selective search、category-independen object proposals、constrained parametric min-cuts(CPMC)、multi-scale combinatorial grouping（MCG）、Ciresan等。R-CNN选择的是selective search。

关于候选框的生成，可以参考PAMI2015的“What makes for effective detection proposals？”。

img
  • selective search

使用Selective Search方法从一张图像生成约2000-3000个候选区域。基本思路：

  1. 使用过分割手段，将图像分为小区域。
  2. 查看现有线区域，合并可能性最高的两个区域，从发直到整张图像合并成一个区域位置。
  3. 输出候选区
  • 区域的合并

上述思路的关键在于“合并”的过程。一般来说，区域的合并有以下优先规则：

  1. 颜色相近的（颜色直方图）
  2. 纹理相近的（梯度直方图）
  3. 合并后总面积小的 [ 1 ] _{[1]} [1]​
  4. 合并后在Bounding Box中所占比例大的 [ 2 ] _{[2]} [2]​

[1]：保证每一次合并后的区域相对均匀，避免出现一个大区域不断合并其他小区域的情况。

[2]：也就是说选取合并后在矩形框中占比更大的，否则不合并。目的是使物体形状规则。

多样化与后处理

为了尽可能不遗漏候选区，候选区将在多个颜色空间中同时生成，生成后放入分类器。针对梅格雷，通过计算IoU的指标，采取非极大值抑制算法，剔除重复位置的区域。

  • IoU

IoU的输入：

  1. ground-truth的bounding box

  2. 预测的bounding box

IoU的输出：

两个矩形交集的面积/两个矩形并集的面积

img img
  • 非极大值抑制算法

用于对生成的大量候选框进行后处理，去除冗余的候选框。如下图。

这里写图片描述

具体步骤：

  1. 先根据候选框的类别分类概率做排序：A<B<C<D<E<F，并标记最大概率矩形框F是我们要留下来的。
  2. 分别判断A-E与F的IoU是否大于某个设定的阈值，如果重叠度超过阈值，就除去。
  3. 从剩下的除F之外的矩形框中，选择标记最大概率的候选框，继续重复上述步骤。

特征提取

  • 预处理

在使用深度神经网络提取特征之前，首先把候选区归一化成统一尺寸227*227。当然，外扩或内缩可以采用不同的方法，如原比例放大/缩小、直接填补灰色区等。不同的方法会轻微影响性能。

  • 预训练

网络结构借鉴AlexNet。

这里写图片描述

这里训练的是模型识别物体类型的能力，而不是预测bbox位置的能力。提取4096维特征，经过全连接层后，输出1000维特征。采用SGD训练，初始学习率0.01。

  • 微调训练

同样使用AlexNet，最后一层输出21维（20种类+1背景）。学习率0.001。

类别判断

  • SVM分类器

每个候选框都放入SVM中判断物体类别。每个类别对应一个SVM，输入深度神经网络输出的4096维特征（也就是除去最后一层），输出positive或 negatoive。

img

由于负样本很多，使用hard negative mining方法。

  • hard negative mining

hard negative mining解决的是负样本的训练问题。如果仅仅将随机创建的、不与正样本重叠的bounding box作为负样本，训练出的分类器并不好用，会抛出一堆错误的正样本（负样本不是bounding box中学习的负样本，于是错误地预测为正样本。

hard negative就是当错误检测到patch（特征图中的块）时，明确地从patch中创建负样本，并添加到训练集中。当再次训练后，分类器就会不断表现得更好。

位置精修

  • 回归器bounding box regression

对于每一类目标，训练一个线性脊回归器精细修正候选框的位置，说白了就是把region proposal往gound truth上靠（图中红框到蓝框的过程）。正则项 λ = 10000 \lambda=10000 λ=10000。输入为深度网络pool5层的4096维特征，输出为xy方向的缩放和平移。

这里写图片描述

bounding box一般用四维向量（ x , y , w , h x, y, w, h x,y,w,h）来表示，分别代表中心点和宽高。

参考资料：

边框回归(Bounding Box Regression)详解

什么是hard negative mining

目标检测中IOU的介绍（Intersection over Union）

非极大值抑制算法(NMS)及python实现

【目标检测】RCNN算法详解

R-CNN论文详解（论文翻译）

稚与
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MS-CNN pdf HD
05-31
【MS-CNN pdf HD】是关于深度学习领域中一种高效的物体检测模型——多尺度卷积神经网络（Multi-Scale Convolutional Neural Network，简称MS-CNN）的详细论文。这篇论文深入探讨了如何通过统一的多尺度结构来提升...
目标检测的概念、应用及问题
01-14
常见的Two Stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。 2. One Stage：直接在网络中提取特征来预测物体分类和位置。任务流程：特征提取–> 分类/定位回归。常见的One Stage目标检测...
R-CNN系列算法解读
Mzcc_bbms的博客
12-23 1004
Mask-RCNN算法详细解读R-CNN系列from R-CNN to Mask-RCNNsliding windows detectorSelective searchR-CNNFast R-CNNMask-RCNN R-CNN系列 from R-CNN to Mask-RCNN R-CNN Fast R-CNN Faster R-CNN FPN FPN + RPN + Fast R-CNN FPN + RPN + Fast R-CNN + Mask Prediction sliding window
目标检测系列——Faster R-CNN原理详解
秃头小苏的博客
07-03 6395
  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...
目标检测——Fast R-CNN算法解读
lishanlu136的博客
12-01 2265
Fast R-CNN算法解读
目标检测系列——Fast R-CNN原理详解
秃头小苏的博客
06-23 2581
  在上一篇，我们介绍过RCNN的原理，详情戳☞☞☞了解这里再来简要概述一下RCNN的算法步骤：  继RCNN发布后，RGB大神又发表了Fast R-CNN🍍🍍🍍先来看看论文中表示Fast R-CNN结果的图片，如下：  关于这张经典的图片，现在大家只要又一个直观的感受即可，后面会深度解析。此篇文章较RCNN有了较大提示，Fast R-CNN其主要步骤如下：  可以看到，仅从RCNN和Fast R-CNN的步骤来看，它们还是存在一些差异的，下面将会具体谈谈这些步骤的具体细节，一起来看看吧.........
目标检测(一)——R-CNN
hhhcbw的博客，欢迎各位来访
01-24 1158
简介 R-CNN作为经典目标检测算法，由Ross Girshick在CVPR 2014提出，获得了当时VOC2007，VOC2010等目标检测任务最优的成绩。 原理 完整R-CNN结构 不使用滑动窗口方法(候选框多，费时间）。 而是使用候选区域方法（region proposal method），创建目标检测的区域改变了图像领域实现物体检测的模型思路，R-CNN是以深度神经网络为基础的物体检测的模型 ，R-CNN在当时以优异的性能令世人瞩目，以R-CNN为基点，后续的SPPNet、Fast R-CNN、F
目标检测——R-CNN（一）
散修炼丹师手记
05-25 1031
简介 R-CNN的全称是Region-CNN，它可以说是是第一个成功将深度学习应用到目标检测上的算法。它是2014年发布的一篇论文，题目是 《Rich feature hierarchies for accurate oject detection and semantic segmentation》，通俗地来讲就是一个用来做目标检测和语义分割的神经网络。 原论文地址：https://arxiv....
目标检测——Fast R-CNN（二）
散修炼丹师手记
05-30 436
简介 R-CNN的进阶版Fast R-CNN就是在R-CNN的基础上采纳了Spatial Pyramid Pooling（SPP） 方法，对R-CNN作了改进，使得性能进一步提高。 《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》论文地址：https://arxiv.org/pdf/140...
目标检测——Mask R-CNN（四）
散修炼丹师手记
09-19 581
简介 Mask R-CNN是ICCV 2017的best paper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂的多任务网络模型。文章的主要思路就是把原有的Faster R-CNN进行扩展，添加一个分支使用现有的检测对目标进行并行预测。 原论文地址：http://cn.arxiv.org/pdf...
目标检测算法—— R-CNN, Fast R-CNN, Faster R-CNN
weixin_43056275的博客
01-19 901
文章目录R-CNN概述Fast R-CNN概述Faster R-CNN概述RPN的工作原理 R-CNN 概述 首先模型输入为一张图片，然后在图片上提出了约2000个待检测区域，然后这2000个待检测区域***一个一个地***(串联方式)通过卷积神经网络提取特征，然后这些被提取的特征通过一个支持向量机(SVM)进行分类，得到物体的类别，并通过一个bounding box regression调整目标包围框的大小。 第一步提取2000个待检测区域的时候，是通过一个2012年提出的方法，叫做selective
毕设——无人机目标检测.zip
最新发布
05-05
本资源"毕设——无人机目标检测.zip"包含了一个完整的无人机目标检测系统源码，旨在帮助学生和研究者深入理解和实践这一关键技术。 无人机目标检测是通过计算机视觉技术和深度学习算法来识别无人机摄像头捕获的图像...
水果分类目标检测VOC数据集.zip
06-16
通过理解和应用“水果分类目标检测VOC数据集.zip”，我们可以深入了解目标检测的原理，同时提升在特定领域的检测能力。该数据集不仅适用于学术研究，也为开发者提供了一个实践和优化目标检测算法的宝贵平台。
一位算法工程师从30+场秋招面试中总结出的超强面经——目标检测篇（含答案）1
08-04
**Faster R-CNN原理：** Faster R-CNN的核心是将目标检测任务分解为两个阶段：候选区域生成和候选区域分类。首先，它通过一个预训练的卷积神经网络（如VGG或ResNet）进行特征提取。然后，RPN网络在特征图上滑动，...
RPN生成Region Proposal——Faster RCNN
稚与的博客
06-02 1556
Faster-RCNN 文章目录Faster-RCNN简介基本原理整体结构特征提取RPN（Region Proposal Network）ROI PoolingFC层 简介 主要贡献 使用RPN（Region Proposal Network）产生建议窗口 产生建议窗口的CNN和目标检测的CNN共享 基本原理 整体结构 卷积层。跟Fast RCNN差不多。 RPN层。 主要用于生成Region Proposals，首先生成一堆Anchor box，生成两个分支，其中一个分支对其reshape后用s
You Look Only Once——YOLO v1
稚与的博客
06-08 810
YOLO-v1：you look only once 文章目录YOLO-v1：you look only once简介名词解释原理分析training网络结构test time 简介 YOLO（you look only once）是CVPR2016的一篇文章，广泛运用于工业界，yolo的优点不在于精度，而在于速度。 与RCNN系的对比 RCNN系：two-stage。先找到Region Proposal，然后分类或回归。准确度高但速度慢。 YOLO系：one-stage。只使用一个CNN网络直接预测不
SPPNet改进RCNN——Fast RCNN
稚与的博客
06-01 573
Fast-RCNN——Ross Girshick 文章目录Fast-RCNN——Ross Girshick简介基本原理基本结构ROI POOLING参数初始化SVD（singular value decomposition）分类和定位trainingtest timeMulti-task Loss 简介 Fast-RCNN是 Ross Girshick继RCNN之后，在2015年推出的目标检测算法，大幅提升了目标检测的速度。同样使用最大规模的网络，Fast RCNN和RCNN相比，训练时间从84小时减少为9
Better,Faster,Stronger——YOLO 9000
稚与的博客
06-10 421
YOLO9000: Better, Faster, Stronger 文章目录YOLO9000: Better, Faster, Stronger简介基本原理Betterbatch normalizationhigh resolution classifierconvolutional with anchor boxesdimension clustersdirect location predictionfine-grained features（细粒度特征）multi-scale trainingFas
深度学习目标检测：R-CNN、Fast R-CNN、Faster R-CNN和YOLO算法解析
"基于深度学习的目标检测技术，包括rcnn、fast rcnn、faster rcnn和yolo的算法原理和流程。" 深度学习在计算机视觉领域的一个重要应用是目标检测，它不仅要求识别图像中的物体类别，还需要确定物体的具体位置。目标...
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