R-CNN 理论笔记

最新推荐文章于 2024-08-09 17:04:44 发布
最新推荐文章于 2024-08-09 17:04:44 发布
阅读量89 收藏
点赞数
分类专栏： 笔记 文章标签： r语言 cnn 机器学习
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_46227666/article/details/125086067
版权
这篇博客深入探讨了R-CNN（Region-based Convolutional Neural Network）算法的工作原理，包括使用SelectiveSearch生成候选区域，通过AlexNet提取特征，利用SVM进行分类以及回归器微调框位置。尽管R-CNN在目标检测上取得进展，但其测试和训练速度慢、空间需求大的问题也十分明显。
摘要由CSDN通过智能技术生成

R-CNN 理论笔记

算法流程

  • 将一张图像生成1K~2K个候选区域（使用Selective Search方法）
  • 对每个候选区，使用深度网络提取特征
  • 特征送入每一类的SVM分类器，判断是否属于该类
  • 使用回归器精细修正候选框位置。

1.

Selective Search算法得到一系列矩形框，假设有2K个

2.

将2K个候选区域缩放到227227，接着输入到AlexNet CNN，得到2K$$4096的特征矩阵。

3.

假设有20个类，那么得到的2000*4096的特征与4096*20的SVM权值矩阵相乘，得到2000*20的概率矩阵。

在这里插入图片描述

2000代表2000个候选框，每个候选框有20个概率值，代表该候选框属于该类的概率
此处还需对2000*20的每一列进行非极大值抑制剔除重复建议框。

4.

将建议框与GT目标框坐标对建议框进行微调。

在这里插入图片描述

R-CNN存在的问题

  • 测试速度慢
  • 训练速度慢
  • 训练所需空间大
从今天起要认真写代码
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
域适应目标检测：DA Faster R-CNN论文笔记——Domain Adaptive Faster R-CNN for Object Detection in the Wild
qq_50001789的博客
06-24 969
论文题目：《Domain Adaptive Faster R-CNN for Object Detection in the Wild》 本文提出了一种有效解决跨域目标检测问题的域适应Faster R-CNN算法，可以实现在不使用任何附加标记数据的情况下获得新领域鲁棒性的检测器。作者在对跨域目标检测理论分析的基础上，提出了一个图像级自适应组件和实例级自适应组件来缓解由域偏移引起的模型性能下降的问题
人工智能-yolo系列理论合集学习笔记.zip
08-30
同时，笔记还将对比其他目标检测算法，如Faster R-CNN、SSD等，帮助读者全面理解目标检测技术的现状和发展趋势。 7. 进阶研究方向 除了基础理论，笔记还将探讨YOLO的优化技巧，如锚点调整、模型融合、后处理方法等...
【目标检测】R-CNN论文流程整理
wzk4869的博客
10-28 1055
【目标检测】R-CNN论文流程整理
R-CNN
cdknight_happy的专栏
01-19 192
0 摘要 RCNN在PASCAL VOC 2012检测集上mAP达到了53.3%; 两个重要的结论： CNN可以用来实现检测和分割任务中的目标定位； 训练集不足时，使用预训练模型进行微调可以获取良好的应用效果。 1 简介 目标检测任务在2010 - 2012年期间进展很少，自从2012年AlexNet在ILSVRC成功以来，大家都在讨论一个问题：CNN对ImageNet的分类结果可以在多大程度...
R-CNN算法学习（步骤一：候选区域生成）
热门推荐
Dlog的博客
12-27 2万+
R-CNN算法学习 论文链接：https://arxiv.org/abs/1311.2524 源码链接：https://github.com/rbgirshick/rcnn 算法整体思想 总体分为 四个步骤（下文讲逐步骤分析）： 1.候选区域生成: 一张图像生成1K~2K个候选区域 （采用Selective Search 方法） 2.特征提取： 对每个候选区域，使用深度卷积网络提取特征 （CNN）...
Faster R-CNN 理论笔记
weixin_46227666的博客
06-01 94
Faster R-CNN理论笔记
Fast R-CNN 理论笔记
weixin_46227666的博客
06-01 75
使用VGG16网络作为backbone，Fast R-CNN训练速度快9倍，测试速度快213倍，且准确率提高。Fast R-CNN网络结构图需要注意的是生成的2K个候选特征图并不是全部送入网络，而是选取64个样本，其中含正样本与负样本（根据IOU判断），使得样本分布均衡 这样将每个图像分成7*7部分，生成7*7的特征图，这样就不必限制图像尺寸。 7*7的特征图输入到两个FC的全连接层中得到ROI feature vector，然后将其并行送入预测模块与回归模块。预测模块 FC+softmax，输出N+1个类
Faster R-CNN: Towards Real-Time Object Detectionwith Region Proposal Networks--文献笔记
weixin_46319994的博客
03-05 625
摘要 目前最先进的物体检测网络依靠区域提议（proposal）算法来假设物体的位置。 SPPnet 和Fast R-CNN 之类的进步减少了这些检测网络的运行时间，但也揭示了区域提议计算存在瓶颈。 在这项工作中，我们引入了一个区域提议网络（RPN），该区域提议网络与检测网络共享全图像卷积特征，从而实现几乎免费（计算）的区域提议。RPN是一个全卷积的网络，可以同时预测每个位置的目标边界和目标得分。对RPN进行了端到端的训练，以生成高质量的区域建议，Fast R-CNN将这些区域提议用于检测。 通过共享
Mask R-CNN 简介与论文笔记
小小顺利的博客
02-15 2647
本篇文章是面向Mask R-CNN的初学者，旨在梳理大体思路，认识框架基础概念。由于自己现在大四，也是刚刚入足深度学习领域，所以文章中免不了有错误之处，欢迎各位博友批评指正。 本博文所参考的论文和代码分别为： ★何恺明大神的：Mask R-CNN  ★综述文章：Deep Learning for Generic Object Detection: A Survey ★非配套代码：Mask...
目标检测 Faster-R-CNN论文笔记
FlyDremever
05-11 1237
Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun （主要用于自己学习） 摘要： 最先进的目标检测网络依赖于区域建议算法来假设目标位置。例如SPPnet [1] 和Fast R-CNN [2] 等算法，虽然缩短了检测网络的运行时间，但是也暴露出区域建议方法的计算瓶颈。在本文的工作中，引入了一个区
深度学习公开课：计算机视觉PPT-教程与笔记习题
05-18
4. **R-CNN、YOLO和SSD**：讲述在物体检测方面的进展，包括区域提议网络（RPN）、单阶段检测器（YOLO）和速度与精度平衡的SSD。 5. **图像语义分割**：介绍FCN、U-Net等网络，以及如何实现像素级别的分类。 6. **...
课程笔记-机器学习
03-03
【课程笔记-机器学习】 机器学习是一门计算机科学的分支，它关注于让计算机系统通过经验自我改进，而无需显式编程。这个领域的核心概念是让计算机从数据中学习规律和模式，进而进行预测和决策。这门学科的理论基础...
Python-为深度学习Python一书的Jupyter笔记本代码示例
08-11
从压缩包子文件的文件名称列表"deep-learning-with-r-notebooks-master"来看，虽然名字中包含"R"，但结合上下文，我们可以推测这可能是一个错误，因为主题明确提到的是Python。这个文件名可能是项目或目录的名称，...
目标检测论文学习笔记1
08-03
这篇学习笔记主要涵盖了几个经典的深度学习目标检测模型，包括R-CNN、Fast R-CNN和Faster R-CNN，以及单阶段检测器SSD和YOLO系列。此外，还介绍了数据集的使用和目标检测的评估指标。 一、数据集与标注工具 PASCAL ...
略谈set与map的pair封装与进入哈希
creative_mind的博客
08-09 932
一，哈希是一种数学函数，它接受一个输入（或“消息”），然后返回一个通常更小的固定大小的输出，这个输出称为“哈希值”或“哈希码”。映射：哈希思想通过哈希函数将任意长度的数据映射到固定长度的哈希值。这个映射过程是单向的，即从数据到哈希值是容易的，但从哈希值回溯到原始数据几乎是不可能的。快速性：哈希函数的设计旨在快速计算，以便在大数据集中实现高效的数据访问。均匀分布：理想情况下，哈希函数应该能够将输入数据均匀地分布在哈希值空间中，以减少冲突并提高查找效率。
Java并发—ReetrantLock详解及应用
echola_mendes的博客
08-07 1325
synchronized：适用于大多数基本的同步需求，提供了简洁的语法，自动释放锁，适合于简单的同步场景。ReentrantLock：适用于需要更高级特性的场景，如公平锁、超时等待等，需要显式管理锁的获取和释放。如果竞争比较激烈，推荐ReentrantLock去实现，不存在锁升级概念。而synchronized是存在锁升级概念的，如果升级到重量级锁，是不存在锁降级的。
【ML】transform 之 decoder 及其实现细节
格物致知
08-06 949
在解码器中，查询来自之前步骤的输出，而键和值来自编码器的输出，这样解码器就可以在生成每个词时考虑编码器中的所有信息，但更加关注与当前词最相关的部分。在 Transformer 架构中，编码器（Encoder）和解码器（Decoder）之间的信息传递是通过一种特殊的自注意力机制实现的，称为交叉注意力（Cross-Attention）或编码器-解码器注意力（Encoder-Decoder Attention）。其中，( W^Q )，( W^K )，和 ( W^V ) 是模型参数。
镜舟科技孟庆欢：StarRocks 湖仓架构，AI数智化时代的数据驱动力
最新发布
数据猿
08-09 256
大数据产业创新服务媒体——聚焦数据· 改变商业数智化浪潮席卷全球，各行各业站上转型升级的路口，迎接新的机遇与挑战。进入2024年后，以智能科技为核心的新质生产力全面爆发，AI大模型作为新时代产业革新的领航者，为千行百业的数智化转型创造出无限可能。洞察时代先机，共铸行业未来。7月24日，数据猿以“数智新质·力拓未来”为主题，举办“2024企业数智化转型升级发展论坛——暨AI大模型趋势论坛”，与行业...
R-CNN、fast-R-CNN、faster-R-CNN、mask-R-CNN介绍
03-01
R-CNN（Region-based Convolutional Neural Networks）是一种目标检测算法，它通过两个阶段来检测图像中的目标物体。首先，R-CNN使用选择性搜索（Selective Search）算法生成一系列候选区域，然后对每个候选区域进行卷积神经网络（CNN）特征提取和分类。R-CNN的主要缺点是速度较慢，因为每个候选区域都需要独立地进行CNN特征提取和分类。 Fast R-CNN是对R-CNN的改进，它通过引入RoI池化层（Region of Interest pooling）来解决R-CNN中重复计算的问题。RoI池化层可以将不同大小的候选区域映射为固定大小的特征图，从而使得所有候选区域可以共享相同的特征提取过程。这样一来，Fast R-CNN相比于R-CNN具有更快的速度。 Faster R-CNN是对Fast R-CNN的进一步改进，它引入了一个称为Region Proposal Network（RPN）的子网络来生成候选区域。RPN通过滑动窗口在特征图上提取候选区域，并为每个候选区域分配一个得分，然后根据得分进行筛选和排序。这种端到端的训练方式使得Faster R-CNN在目标检测任务上具有更高的准确性和更快的速度。 Mask R-CNN是在Faster R-CNN的基础上进一步发展的，它不仅可以进行目标检测，还可以进行实例分割。Mask R-CNN在Faster R-CNN的基础上增加了一个分支网络，用于预测每个候选区域中目标物体的像素级掩码。这使得Mask R-CNN能够同时获得目标的位置信息和像素级别的语义信息。
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