R-CNN系列（一）

最新推荐文章于 2022-03-02 20:48:01 发布
最新推荐文章于 2022-03-02 20:48:01 发布
阅读量229 收藏
点赞数
分类专栏： 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/zhengyan718/article/details/66472534
版权

    这一部分是针对R-CNN的大致流程的概括，更多详细的说明会在后面介绍。

一、预训练

    在预训练的过程中，采用的数据集是ILSCRC样本集。ILSCRC 只有不同类别标签，没有物体对应边框的标注。预训练过程采用的是Alexnet，学习率设为0.001，输入图片大小为227*227，输出为1000类，将训练好的网络参数（除了分类层外）保存。

二、微调

    1、选择搜索

通过选择搜索策略，找出2000个候选区域

    2、给定label

将这2000个候选区域与Ground Truth比较，若IOU>0.5，则标记为该类

    3、Wrap

    将候选区域做wrap操作，使得变换后的图像大小为227*227

    4、微调网络

    仍然采用Alexnet，将一中预训练好的参数直接使用，但最后的分类器改为（N+1）。分类器的初始参数随机给定，将网络训练好，保存参数。

三、SVM

    1、给定label

将2000个候选区域与Ground Truth比较，若IOU<03，则标记为负样本

    2、SVM 分类

将微调网络的第5个池化层后提取的特征作为SVM的输入。由于SVM是一个二分类器，故要训练N个SVM。

   3、非极大值抑制

通过SVM，获得2000*20维的矩阵，即每个bounding box属于各个类的概率。鉴于一个物体可能被多个bounding box包围，故采用非极大值抑制操作。

   4、边框回归

    通过与真实标注的边框对比，对极大值抑制后的结果进行边框回归


zhengyan718
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
R-CNN系列三篇论文英文原文
08-07
R-CNN系列三篇论文英文原文。从 R-CNN，SPP-net，到 Fast R-CNN，再到 Faster R-CNN，一路走 来，从流程上来说，基于深度学习的目标检测越来越精简；从精确度上来说，其 精确程度越来越高；从运行速度上来说，也...
R-CNN
林学森的技术专栏
04-25 1293
以下文章摘录自： 《机器学习观止——核心原理与实践》 京东：https://item.jd.com/13166960.html 当当：http://product.dangdang.com/29218274.html (由于博客系统问题，部分公式、图片和格式有可能存在显示问题，请参阅原书了解详情) 1.1R-CNN 1.1.1R-CNN简述 近几年深度学习在图像视觉识别领域取得了长足发展，涌现出了R-CNN、Fast R-CNN、Faster R-CNN...
目标检测 | RCNN算法系列汇总+详解(包括Fast, Faster)
Zivid_Liu的博客
03-02 7326
从RCNN到Fast RCNN，再到faster RCNN，你知道他们是怎么一步步升级的吗？
Region-based CNN(简称R-CNN)
qq_25178609的博客
03-08 7129
目前最先进的detection方法应该是Region-based CNN(简称R-CNN)【1】，是由Jeff Donahue和Ross Girshick提出的。R-CNN的具体想法是，将detection分为寻找object和识别object两个过程。在第一步寻找object，可以利用很多region detection算法，譬如selective search，CPMC，objectnes
R-CNN系列比较
alibabazhouyu的博客
04-18 8923
RCNN可以看作是RegionProposal+CNN这一框架的开山之作，RCNN的主要缺点是重复计算，后来MSRA的kaiming组的SPPNET做了相应的加速。传统的detection主流方法是DPM(Deformable parts models)， 在VOC2007上能到43%的mAP，CNN流行之后，Szegedy做过将detection问题作为回归问题的尝试（Deep Neural N...
R-CNN系列文章
ture_dream的博客
10-09 1万+
R-CNN学习                      1、简介        R-CNN是深度学习在目标检测任务上的应用，其中R对应于“Region(区域)”。整体框架与传统方法相似。        本文两个关键点是：1、使用候选窗口，并用CNN对其进行特征提取；2、样本缺乏时，使用大量辅助样本预先训练，再用自己样本进行微调。         整体框架大致为：生成候选窗口(Sele
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...
r-cnn系列论文以及ppt博客
09-30
r-cnn系列论文以及ppt博客
R-CNN演示文档
12-18
目标检测算法R-CNN的PPT演示文档，中文，制作精良，条理清晰，适合学习和教学
Mask R-CNN学习资料（全）
09-27
内含Mask R-CNN原文、Faster R-CNN系列文章、网上收集的资料、对内容的详解、很好的学习参考。 Mask R-CNN全文翻译：https://yidamyth.blog.csdn.net/article/details/127038317?spm=1001.2014.3001.5502 学习...
R-CNN论文详解（论文翻译）
Cheese的博客
05-08 10万+
faster-rcnn在深度学习领域算是一篇开创性的论文，对后续产生的而网络有很重要的意义，认真读懂这篇论文，相信也算是深度学习入门了 。今天又重新读了读faster-rcnn,整理了一份阅读笔记，整理的过程使自己对整个深度学习又有了更深的理解。果然论文还是应该多读几遍才能理解的。
Faster R-CNN论文笔记——FR
FR的专栏
10-20 5万+
在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。 一、基于Region Proposal（候选区域）的深度学习目标检测算法 Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-
RCNN系列总结（RCNN,SPPNET,Fast RCNN,Faster RCNN）
Mingjian_LI的博客
01-04 9551
传统的目标检测方法大概分为区域选择、特征提取（SIFT、HOG等）、分类器（SVM等）三个部分，其主要问题有两方面：一是区域选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。以下介绍基于Region Proposal的深度学习目标检测算法R-CNN->SPP-NET->Fast R-CNN->Faster R-CNN. R-CNN 创新点 采用CNN网络
rcnn 笔记
陈陈的专栏
04-10 1006
pip lineRCNN 1. image -> selective search ->proposals经典方法Deformable parts model经典方法： 1. SGD应用 2. NMS（non-maximum suppression）对后期testing处理 3. Data mining hard examples 的使用(概率接近1的为hardexample，剔除，再用0
各类图像数据大集合（下载链接）
weixin_39931683的博客
10-22 1万+
收集自各种公众号，留着不时回来看看 属性识别类 MNIST手写数据集 数据链接： http://yann.lecun.com/exdb/mnist/index.html 百度EasyDL平台的水果分类数据集 数据链接：https://pan.baidu.com/s/11SstydxQNXNNq9tk9kuyfg 提取码：vvci Imagenet图像分类数据集（1400多万幅图片，涵盖2万多个类别） 数据链接： http://www.image-net.o
CNN+RNN
haqsyf的专栏
08-25 1万+
CNN,RNN(recurrent, 下同)结合到一起可以建立一个更好的model 1. CRNN（先CNN，后RNN） References: An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recogni
Faster R-CNN 翻译
Rex_Lau的博客
03-08 1377
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun 摘要 目前最先进的目标检测网络需要先用区域建议算法推测目标位置，像SPPnet[7]和Fast R-CNN[5]这些网络
【目标检测】RCNN算法详解
热门推荐
shenxiaolu1984的专栏
04-05 22万+
深度学习用于目标检测的RCNN算法
RCNN
Abraham Ben
04-17 1914
论文原文地址: Rich feature hierarchies for accurate object detection and semantic segmentation RCNN的全称是Regions with CNN features。整个方法的大致思路是先用Selective Search来生成2000个bounding box。然后利用AlexNet对这些Region提取特征，注意...
R-CNN系列算法优点
最新发布
05-13
R-CNN系列算法是目标检测领域的经典算法，其优点主要包括： 1. 高准确率：R-CNN系列算法采用了卷积神经网络（CNN）进行特征提取和分类，可以在目标检测任务中获得较高的准确率。 2. 多样性：R-CNN系列算法包括了R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN等多种不同的算法，可以适应不同的目标检测任务。 3. 灵活性：R-CNN系列算法可以使用不同的预训练模型进行特征提取，可以适应不同的数据集和任务。 4. 相对简单：相比于其他复杂的目标检测算法，R-CNN系列算法相对简单，易于理解和实现。 5. 可解释性：R-CNN系列算法采用了传统的CNN网络结构，可以通过可视化特征图等方式进行模型的可解释性分析。

“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