RPN区域提议网络理解-关于faster-Rcnn

最新推荐文章于 2024-01-15 11:41:18 发布
最新推荐文章于 2024-01-15 11:41:18 发布
阅读量1.3k 收藏 2
点赞数 1
文章标签： 卷积 神经网络 算法 深度学习
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/yuejich/article/details/119613607
版权

在选定好backbone后，通过backbone提取特征图设为F1
特征图F1进入RPN网络，先通过anchor算法在特征图F1上生成wxhx9个boundingboxes，这么多的边界框，然后用256个3x3的卷积核做第一层卷积，然后用2个1x1的卷积核做第二层卷积，作为分类，4个1x1的卷积核做第二层卷积作为位置回归。这里就生成了区域提议框和标签。

在分类算法中，卷积提取特征图后，输入到全连接层进行分类，可以分出1000个类别，其实这个工作是在训练好了提取特征的卷积神经网络和分类的全连接网络，全连接网络只是把这些特征图进行分类。

faster-rcnn就是先对整个图片用卷积神经网络提取特征，提取到的特征图其实在这时候已经可以用于分类了，但是我们要做目标检测，就引入了rpn，区域提议网络，把这些特征图利用anchor算法画出wxhx9个boundingbox边界框，对这些边界框做一次分类回归和位置回归，这个只是对特征图进行简单的二分类，个人感觉锚框算法也是随机生成框，反正个人理解不了锚框的依据，如果有依据的话我估计也是实验依据，这样就输出了结果了，结果就是某一个锚框的位置和这个锚框的类别和置信度，其实在生成锚框的时候就有了锚框的位置，回归的目的是微调锚框的位置，类别就是一个background和front，而这里要训练这个rpn网络就需要计算损失值，这里的损失函数设计出来就是和groundtruth来做iou计算处理，来构建损失函数，最后训练好网络，最后对提议好的bbox进行roi pooling，输入到最后的分类网络，对框进行预测，在映射到原图中的位置和大小

关于论文中的k值
anchor：虽然在每一个像素点生成了9个锚框，这里就是k=9，其实是对于一个像素点来说的，但是对于提取出来的整个特征图来说，特征图的size是wxh，那么这个特征图对应的k值就是wxhx9
在这里插入图片描述

也就是这张图片上面的k值，k=wxhx9，一张图片提议出来了k个roi区域，然后进行筛选

yuejich
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
faster R-CNN
puspos的博客
08-11 505
anchors：一组检测框 RPN网络：图中每个点设置设置anchors，让cnn判断哪个anchor有目标，有即positive anchor，没有即negative anchor，二分类。然后训练得到的目标框逼近真是的目标框。 im_info层的意义是存储了每张图片进入网络后原图片大小被resize至设定图片大小的比例和resize后图片的宽高 RoI Pooling：让前面得到的不同尺寸的目标框变成同等尺寸，便于后面的分类 ...
MXNet的Faster R-CNN(基于区域提议网络的实时目标检测)《5》
最新发布
2401_84181286的博客
04-17 688
我们知道在做卷积提取特征运算之后，输出的特征图尺寸将变小，而在语义分割当中我们需要将图像恢复到原来的尺寸以便进行进一步的计算，那就只能让输入特征扩大了，这样的目的就会让输出尺寸变大，这种操作叫做上采样(upsample)，这里的转置卷积就属于这种。再比如输入依然是2x2，当步幅是2，填充是0，卷积核大小3x3的卷积运算之后的输出(2-1)x2-2x0+3=5，跟上面动态图中一样，确实是将输入2x2的大小转置卷积之后变成了5x5的输出尺寸。
动手学深度学习_目标检测算法 R-CNN 系列
like_jmo的博客
08-08 272
区域卷积神经网络region-based CNN 或 regions with CNN features，R-CNN 比较有名的几个网络：R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN
深入理解Detectron 2 — Part 4 区域建议网络（Region Proposal Network）
zhuguiqin1的专栏
07-25 3695
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...
RPN 区域选取网络 region proposal network
qq_42220290的博客
05-22 714
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..
Mask R-CNN网络中RPN区域建议网络的作用是什么？
weixin_43501408的博客
01-15 443
在 Mask R-CNN（Mask Region-based Convolutional Neural Network）中，RPN（Region Proposal Network）是用于生成候选目标区域的网络。在 Mask R-CNN 中，RPN生成的候选框被传递给ROI Pooling 层，以在这些框中提取特征，然后进一步进行目标分类、边界框回归以及实例分割的任务。对于每个生成的候选框，RPN计算一个得分，该得分表示该框内是否可能包含感兴趣的目标。根据候选框的得分，RPN进行筛选，选择高分的候选框。
通俗易懂地了解faster RCNN(RPN区域建议网络)
m0_37223909的博客
05-10 7300
目标检测之faster RCNN[2015 Ren] ***回顾：*** R-CNN ==> 1image/mni Fast R-CNN ==> 1~2 fps 1. faster RCNN Backbone(神经网络模型) pre-train(预训练) fine-tuning(微调) re-train RPN:Region Proposal Net(区域生成网络 ) 代替selective searchs生成区域建议 输入feature map(特征图),输出一系列ROI(感兴趣区
基于faster-rcnn的车辆检测识别系统代码大全.doc
10-19
Faster R-CNN是一种目标检测算法，它引入了区域提议网络（Region Proposal Network, RPN）来同时预测物体边界框和物体分数，提高了检测速度和准确性。在这个系统中，Faster R-CNN首先通过一系列卷积层提取图像特征...
FasterRCNN算法.pptx
03-15
Faster R-CNN是Fast R-CNN的改进版，引入了区域提议网络（Region Proposal Network，RPN），它与检测网络共享底层卷积层，同时生成物体候选区域和对应的特征。RPN是一个滑动窗口式的网络，可以在特征图上预测物体的...
基于改进Cascade-RCNN的垃圾目标检测系统1
08-08
随后，FASTER R-CNN通过引入区域提议网络（Region Proposal Network, RPN）实现了检测和提议生成的端到端训练，显著提升了检测速度。Cascade R-CNN进一步增强了这一过程，通过连续的分类和回归阶段逐步提高检测的...
改进的基于区域卷积神经网络的微操作系统目标检测方法.pdf
09-26
描述中提到，该方法是基于Faster-RCNN的改进版本，Faster-RCNN是一种常用的实时目标检测框架，它通过共享的卷积层来提高检测速度，并利用区域提议网络（Region Proposal Network，RPN）生成可能包含目标的候选区域。...
91.R-CNN，Fast R-CNN，Faster R-CNN原理及执行与训练的实例+实现自己的目标检测 - 向阳的博客 -
08-03
在此基础上，Faster R-CNN更进一步，引入了区域提议网络（Region Proposal Network, RPN），将区域提议过程集成到CNN中，实现了端到端的训练和检测，大大提升了目标检测的速度和性能。 总结来说，R-CNN系列算法的...
第三章:Faster R-CNN网络详解（《Faster R-CNN: 基于区域提议网络的实时目标检测》）
ADICDFHL的博客
07-01 1274
引言 最近物体检测的进展得益于区域提议方法（例如[4]）和基于区域的卷积神经网络（R-CNN）[5]的成功。尽管最初开发的基于区域的CNN在计算上非常昂贵[5]，但通过在提议之间共享卷积计算[1]，[2]，其成本已经大大降低。最新的版本Fast R-CNN[2]使用非常深的网络[3]实现了接近实时的速度，忽略了在区域提议上花费的时间。然而，在最先进的检测系统中，提议仍然是测试时的计算瓶颈。区域提议方法通常依赖于廉价的特征和经济的推理方案。
MXNet的Faster R-CNN(基于区域提议网络的实时目标检测)《9》
深度学习领域优质创作者，CSDN博客专家
01-24 748
张量的垂直叠加、交并比的计算、裁剪越界的锚框、边界框回归和NMS非极大值抑制
通俗理解Faster R-CNN和RPN
XM_no_homework的博客
03-22 1441
通俗理解Faster R-CNN和RPN 最近在学习Faster R-CNN，有一些心得，希望可以给大家以启发。 我之前对比过R-CNN，SPP-Net ， Fast R-CNN， Faster R-CNN 的区别和理解，有需要的朋友可以看一下：https://blog.csdn.net/XM_no_homework/article/details/88712991 下面进入正题谈一下我对Fast...
目标检测中的RPN区域提取算法
qq_32172681的博客
08-10 1712
一、滑动窗口 用已知尺寸的窗口遍历整个图像，生成很多子图像，漫无目的的搜索。 二、selective search selective search在rcnn和fast rcnn中用到，它的具体做法是将图像分割成很多小的区域，计算区域之间的相似度（颜色、纹理等等），结合各尺度结果，进行融合，形成大一些的region。具体参见https://blog.csdn.net/qq_321726...
CRAFT：级联的区域建议网络与快速RCNN结合
灰巧克力爱松露
06-27 5204
Benchmark上采用卷积神经网络提取特征的物体检测，通过改变卷积网络每层的参数似乎已羞于灌水~ 不过依然有人在指标上有一点改进，以国内李子青组的Bin Yang在 CVPR 2016 上发表的文章“CRAFT: Objects from Images”为例，看看基于卷积神经网络的物体检测问题还能怎么展开工作。
MXNet的Faster R-CNN(基于区域提议网络的实时目标检测)《6》
深度学习领域优质创作者，CSDN博客专家
01-10 850
这节的知识点主要关于参数安全、ROI池化、计算图的可视化
Mask-rCNN与Faster R-CNN区别
05-17
具体来说，Faster R-CNN 是一种两阶段的目标检测算法，它首先使用一个区域提议网络（region proposal network，RPN）来生成候选物体的边界框，然后再使用一个分类网络和回归网络对这些候选物体进行分类和定位。...

“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

yuejich

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