R-CNN简述（目标检测篇）

已于 2022-07-28 11:29:55 修改
阅读量1k 收藏 6
点赞数 1
分类专栏： 目标检测 文章标签： 目标检测 深度学习
于 2022-01-16 15:46:03 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_47397155/article/details/122523452
版权

素材来源主要参考链接：https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.5509

1.R-CNN综述

R-CNN 是两阶段的，相比一阶段而言，优点：精确，缺点：速度慢。本文主要针对作者的视频做个总结。

在这里插入图片描述
出自2010年作者Ross Girshick之手，

主要算法流程分为四个步骤
1.一张图像生成1K~2K个候选区域（使用Selective Search方法）
2.对每个候选的区域，使用深度网络提取特征
3.特征送入每一类的SVM分类器，判别是否属于该类
4.使用回归器修正候选框位置

2.步骤详解在这里插入图片描述

2.1 候选框的选取

在这里插入图片描述

  • 利用ss算法通过图像分割得到一些原始的区域
  • 使用一些合并的策略将这些区域合并，得到一个层次化的区域结构‘
  • 这些结构可能会包含着可能需要的物体

2.2 单一候选区域，喂入CNN提取特征

在这里插入图片描述

  • 将原图像缩放到指定的尺寸（227*227pix），作为CNN的输入
  • 得到的矩阵展平变成一维的向量
  • 又因为是2000个候选的区域所以是2000x4096维矩阵
  • 作为下一个SVM分类器的输入

2.3 特征送入每一类的SVM分类器，判定类别

在这里插入图片描述

  • 将2000x4096的特征矩阵与20个SVM组成的权值矩阵4096x20相乘得到概率矩阵2000x20
  • 这个2000x20的概率矩阵的每一行代表建议框归于每一个目标的概率
  • 再针对2000x20的概率矩阵的每一列（代表的是每一类）进行非极大值抑制*剔除重叠的候选框，得到（该列）该类中得分最高的一些建议框

2.4 使用回归器修正候选框的位置

在这里插入图片描述

  • 得到的建议框，我们接着分别使用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
  • 黄色框为建议框
  • 绿色表示实际框
  • 绿色表示回归后的预测框（最小二乘法解决回归问题）

3.缺点个问题

测试速度慢

训练速度慢

训练所需空间大

栋哥爱做饭
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
计算机视觉与深度学习 | 目标检测综述（RCNN、RPN、YOLOv1 v2 v3、FPN、Mask RCNN、SSD代码类）-附件资源
03-05
计算机视觉与深度学习 | 目标检测综述（RCNN、RPN、YOLOv1 v2 v3、FPN、Mask RCNN、SSD代码类）-附件资源
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...
神经网络（十七）RCNN及其变体的概述
就随便写写....
10-21 1152
RCNN、Fast RCNN和Faster RCNN的结构及其特点。
R-CNN发展历程及其优缺点
weixin_45074568的博客
05-06 1604
R-CNN R-CNN是第一个将CNN用于目标检测的DL model，主要流程为以下几个部分： 使用无监督的选择性搜索（selective search）方法将输入图像具有相似颜色直方图特征的区域进行递归合并，大约产生2000个候选区域 将候选区域裁剪成缩放成合适尺寸，并送到一个CNN特征提取网络中进行高层次的特征提取 提取到的特征送入到SVM分类器进行分类，以及一个线性回归器进行box位置和大小调整 最后通过NMS操作，得到最终的结果 SPPNet SPPNet中的SPP是值空间金字塔池化，主要是针对
【深度学习 & 目标检测】R-CNN系列算法全面概述（一文搞懂R-CNN、Fast R-CNN、Faster R-CNN的来龙去脉）
最新发布
z135733的博客
02-12 2978
RCNN在2013年在目标检测领域首次使用深度学习和卷积神经网络，他与Alex net一起引爆了21世纪第二个十年计算机视觉领域的技术爆炸。后续所有基于深度学习的目标检测——特别是两阶段目标检测算法。如Fast RCNN Faster R-CNN，都是在R-CNN上进行的迭代升级。所以弄懂RCNN特别重要。甚至可以说，没弄懂RCN后边的算法根本就看不懂。候选区域生成：利用Selective Search算法在每张图像上生成约2000个候选区域。这些候选区域被认为是可能包含目标的区域。特征提取。
目标检测-RCNN系列算法简介
shanzsz的博客
03-17 1836
机器视觉领域的核心问题之一就是目标检测（Object Detection），它的任务是找出图像当中所有感兴趣的目标（物体），确定其位置和大小。 作为经典的目标检测框架Faster R-CNN，虽然是2015年的论文，但是它至今仍然是许多目标检测算法的基础，这在飞速发展的深度学习领域十分难得。而在Faster R-CNN的基础上改进的Mask R-CNN在2018年被提出，并斩获了ICCV2017年的最佳论文。Mask R-CNN可以应用到人体姿势识别，并且在实例分割、目标检测、人体关键点检测三个任务都取得
算法学习总结-目标检测Faster R-CNN、YOLO-v3、YOLO-v4实例分割Mask R-CNN等算法
weixin_42101177的博客
03-01 8062
算法学习总结-目标检测Faster R-CNN、YOLO-v3、YOLO-v4实例分割Mask R-CNN等算法 前言 语义分割是从粗推理到精推理的自然步骤，它不仅提供类，还提供关于这些类的空间位置的附加信息。 语义分割通过对每个像素进行密集的预测、推断标签来实现细粒度的推理，从而使每个像素都被标记为其封闭对象矿石区域的类别。 Instance Segmentation可以看做object dection和semantic segmentation的结合。 R-CNN的系列算法分成两个阶段，先在图像上产生候
R-CNN系列详解
weixin_36670529的博客
02-21 2346
1、从传统方法到R-CNN 基于传统的方法，先要进行区域建议的生成，然后对每个区域进行手工特征的设计和提取，然后送入分类器。在Alexnet出现后，CNN的性能比较好，不但可以学习手工特征还有分类器和回归器。CNN主要用来提取特征，SS提取出的最小外接矩形可能不精准，这样的话就需要Bounding Box回归对区域的位置进行校正。输入图片SS算法算...
R-CNN史上最全讲解
热门推荐
weixin_43702653的博客
04-06 6万+
R-CNN史上最全讲解
R-CNN(目标检测算法)介绍
Sea__c的博客
10-22 2256
因为一个框可以用四个值来表示（x,y,w,h）分别是框的中心点横坐标，中心点纵坐标，宽，高。由于物体标签训练数据少，如果要直接采用随机初始化CNN参数的方法,目前的训练数据量是不够的. 基于此，采用有监督的预训练，使用一个大的数据集（ImageNet )来训练AlexNet，得到一个1000分类的预训练（Pre-trained）模型。目标检测不仅需要确定目标的类别，还要找到目标在图像中的位置.由于各类目标不同的外观，颜色，大小以及在成像时光照，遮挡等具有挑战性的问题，目标检测一直处于不断的优化和研究中.
R-CNN
m0_51797359的博客
08-13 1780
R-CNN
【目标检测算法】R-CNN（详解）
风口IT猪的成长录
08-14 1万+
目标检测算法之R-CNN学习目标1. 目标检测-Overfeat模型1.1 滑动窗口1.2 Overfeat模型总结2. 目标检测-R-CNN模型2.1 完整R-CNN结构2.2 候选区域（Region of Interest）得出2.3 CNN网络提取特征2.4 特征向量训练分类器SVM2.5 非最大抑制（NMS）2.6 修正候选区域3. 检测的评价指标3.1 IoU交并比3.2 平均精确率（mean average precision）map4. R-CNN总结4.1 流程总结4.2 缺点5. 总结6.
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Pytorch搭建Faster R-CNN实现飞机目标检测-数据集
01-09
基于Pytorch搭建Faster R-CNN实现飞机目标检测_数据集
matlab实现R-CNN目标检测
07-01
在Alexnet网络模型的基础上，基于迁移学习原理，来训练R-CNN目标检测网络。并对Matlab自带的stop sign(停止标志)图像数据集进行识别，该数据集已标注好。其实现步骤如下： 步骤一：导入Alexnet预训练的模型 步骤二：...
pytorch实现R-CNN目标检测项目
03-10
本文档实现了R-CNN算法进行目标检测的完整过程，包括 数据集创建 卷积神经网络训练 分类器训练 边界框回归器训练 目标检测器实现 本仓库最终实现一个汽车类别目标检测器 模块构成 区域建议生成：selectivesearch...
计算机视觉领域经典模型汇总（RCNN、YOLO等）
一位不是很硕的鉴伪方向硕士
09-07 2629
Fast R-CNN是在RCNN和Selective Search基础上提出的改进方法，主要创新是将整个目标检测流程集成到一个卷积神经网络（CNN）种，从而显著提高了速度和性能。主要经典算法有：YOLO。Faster R-CNN 进一步改进了 Fast R-CNN，将目标检测模型的速度提高到了一个新的水平，同时保持了很高的准确性。RCNN是用于目标检测的经典方法，其核心思想是将目标检测任务分解为两个主要步骤：候选区域生成和目标分类。
重新审视Faster RCNN：优缺点与改进
03-09 2万+
Faster RCNN作为当前广泛使用的一种检测方法，其必定存在很有多点，当然也会有一些不足之处，在这里对这些优缺点进行一点讨论，并且提一些相关的改进的方法。
一文详解R-CNN、Fast R-CNN、Faster
hallobike的博客
05-02 2655
文章来源：微信公众号《AI与计算机视觉》 1 引言 目标检测是一个重要的计算机视觉任务。它由图像分类任务发展而来，区别在于不再只是对一张图像中的单一类型目标进行分类，而是要同时完成一张图像里可能存在的多个目标的分类和定位，其中分类是指给目标分配类别标签，定位是指确定目标的位置也即是外围边界框的中心点坐标和长宽。因此，目标检测也可以作为图像分割、图像描述、动作识别等更复杂的计算机视觉任务的研究基础。 目标检测算法主要分为3个步骤：图像特征提取、候选区域生成与候选区域分类。其中，图像特征提取是整个检测.
4.对比 Faster R-CNN 和 Mask R-CNN 在目标检测上的结果，分析各自的优缺点
05-04
Faster R-CNN和Mask R-CNN都是目标检测领域的经典算法，它们的主要区别在于是否进行实例分割。 Faster R-CNN是一种两阶段目标检测算法，它通过先生成候选框再进行分类和回归的方式来检测目标。Faster R-CNN的优点在于精度较高，能够在大型数据集上取得很好的性能，同时具有较高的效率。然而，它也存在一些缺点，如需要额外的区域提取网络（RPN）来生成候选框，计算量较大，难以处理大尺度目标等问题。 Mask R-CNN是在Faster R-CNN的基础上增加了实例分割的功能，它可以同时对目标进行检测和分割。Mask R-CNN的优点在于能够获得更加精确的目标边界和分割结果，同时也能够提高检测的准确率。缺点是计算量更大，速度更慢。 综上所述，Faster R-CNN适用于对目标检测的准确性要求较高，且对速度要求不是很苛刻的场景。而Mask R-CNN适用于需要同时进行目标检测和实例分割的场景，但是它的计算速度要比Faster R-CNN慢一些。

“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

打赏作者

栋哥爱做饭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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