faster-RCNN理解

最新推荐文章于 2022-11-30 10:47:02 发布
最新推荐文章于 2022-11-30 10:47:02 发布
阅读量1.3k 收藏 1
点赞数 2
CC 4.0 BY-SA版权
文章标签： Faster-RCNN RPN proposal anchor
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.youkuaiyun.com/Angela_qin/article/details/79442282
本文详细介绍了Faster R-CNN中的关键组件——区域提议网络（RPN）。RPN通过3*3卷积和1*1卷积输出目标与非目标概率及框的偏移量，生成约2万个anchor。经过非极大值抑制，保留 IoU>0.7 的框，再由Fast R-CNN进一步处理。RPN的每个位置对应9个anchor，使用feat_stride=16进行坐标转换。文章还探讨了anchor的生成方式和损失函数的计算。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

RPN是regional proposal networks的缩写，是faster-RCNN结构中的一部分。
faster-RCNN由两个子网络构成。
  1. 第一个子网络RPN的作用是在给定图像上提取一定数量带有objectness(是否包含目标的置信度)。
  2. 第二个子网络直接利用fast-rcnn中的特征提取网络，用RPN获得的proposal替代fast-RCNN中selective search获取的proposal。

4k cordinates：每个窗口的坐标。这个坐标并不是anchor的绝对坐标，而是通过anchor回归groundtruth的位置所需要的偏差。

RPN网络的作用是输入一张图像，输出一批矩形候选区域，类似于以往目标检测中的Selective Search一步。网络结构是基于卷积神经网络，但输出包含二类softmax和bbox回归的多任务模型。网络结果如下（以ZF网络为参考模型）：


其中，虚线以上是ZF网络最后一层卷积层前的结构，虚线以下是RPN网络特有的结构。首先是3*3的卷积，然后通过1*1卷积输出分为两路，其中一路输出是目标和非目标的概率，另一路输出box相关的四个参数，包括box的中心坐标x和y，box宽w和长h。

从卷积运算本身而言，卷积相当于滑窗。假如输入图像是1000*600，则经过了几次stride后，map大小缩小了16倍，最后一层卷积层输出大约为60*40大小。因此，在对60*40的map进行滑窗时，以中心像素为基点构造9种anchor映射到原来的1000*600图像中，映射比例为16倍。那么总共可以得到60*40*9大约2万个anchor。

假如某anchor与任一目标区域的IoU>

最低0.47元/天 解锁文章

200万优质内容无限畅学
Angela_qin
关注
深度学习之路（五）：Faster-RCNN
qq_33439794的博客
03-04 2588
过两年的沉淀，rbg大神于2016年提出了R-CNN系列的封神之作——Faster-RCNN，全称：《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》，同时何凯明博士也是这篇论文的作者之一。 话不多说，上论文（百度云链接：https://pan.baidu.com/s/13luKlGF1...
Faster R-CNN论文翻译——中英文对照
11-27
深度学习进行物体检测的鼻祖论文，学习目标检测的经典文献，中英文对照翻译。。。
Faster R-CNN
cv_family_z的博客
07-13 6877
训练步骤及资源下载 http://blog.youkuaiyun.com/sinat_30071459/article/details/51332084 摘要：SPPNet和Fast R-CNN降低了网络学习特征的时间，SS由于需耗时1~2s，EdgeBoxes 耗时约0.2s，提取proposal的方法成为检测的瓶颈。本文提出了Region Proposal Networks(RPNs)实现实时提取p
4、Faster R-CNN（翻译+注释）
alex1801
08-13 755
本作将引入一个区域推荐网络（RPN）和检测网络共享全图像卷积特征，使得区域推荐的开销几近为0。一个RPN是一个全卷积网络技能预测物体的边框，同时也能对该位置进行物体打分。RPN通过端到端的训练可以产生高质量的推荐区域，然后再用Fast R-CNN进行检测。通过共享卷积特征，我们进一步整合RPN和Fast R-CNN到一个网络，用近期流行的“术语”说，就是一种“注意力”机制。RPN组件会告诉整合网络去看哪个部分。对于非常深的VGG-16模型[3]。...
Faster-RCNN源码及其代码实现.zip
08-10
这个压缩包文件" Faster-RCNN源码及其代码实现.zip"包含了一些关键组件和资源，可以帮助我们理解并实现Faster R-CNN。 1. **Faster R-CNN架构**：Faster R-CNN由两大部分组成：区域提议网络（Region Proposal ...
py-faster-rcnn-windows-master.zip
11-26
1. Python实现：Py-Faster-RCNN利用Python语言的灵活性和易用性，提供了易于理解和修改的代码，使得研究者可以方便地进行模型的调整和优化。 2. Caffe支持：Caffe是一个高效且广泛使用的深度学习框架，Py-Faster-...
faster-rcnn-keras-master_pondw79_RCNN_keras_kerasfaster-rcnn_点目标
09-11
通过理解和实践这个项目，读者不仅可以掌握Faster R-CNN的工作原理，还能深入理解如何在Keras中实现目标检测，这对于进行相关的研究或开发工作将大有裨益。 总结来说，本项目提供了一个使用Keras实现的Faster R-CNN...
Faster-RCNN-TensorFlow-Python3.5-master.zip
04-20
《深度学习中的Faster R-CNN技术解析》 在当今的计算机视觉领域，目标检测是不可或缺的一环，而...对于深入研究和应用计算机视觉技术的开发者而言，理解和掌握Faster R-CNN及其在TensorFlow中的实现是必不可少的。
windows下c++版faster -rcnn
11-24
Faster R-CNN（快速区域卷积神经网络）是一种在计算机视觉领域广泛应用的目标检测..."fasterrcnn_vs2013_beta"项目为开发者提供了一个起点，通过理解和修改该项目，可以在Windows环境下进行自定义目标检测应用的开发。
R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN详解
echo_hao的博客
03-20 1415
一、R-CNN R-CNN的全称是Region-CNN，是第一个成功将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN)，线性回归，和支持向量机(SVM)等算法，实现目标检测技术。 传统的目标检测方法大多以图像识别为基础。 一般可以在图片上使用穷举法选出所所有物体可能出现的区域框，对这些区域框提取特征并使用图像识别方法分类， 得到所有分类成功的区域后,通过非极大值抑制(Non...
RCNN系列之Faster RCNN详解
fangfang的专栏
01-10 4770
RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。这一系列是个递进关系，也是目标检测使用two-stage方法的一个发展过程。想要更好的理解Faster RCNN和R-FCN，只能把这些算法都梳理清楚了，才能明白算法的整个优化过程。 本篇讲解的是Faster RCNN。2016年，发表在CVPR。 理解了SPPNet之后，我们知道了RCNN已经进化到
什么是Faster-R-CNN（Fast R-CNN与R-CNN）
ccbrid的博客
09-17 4309
提出这一概念的论文：《Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks》 Faster-R-CNN是CV-Object detection领域下的。（目标检测=多图像识别+多物体定位） CV-Object detection的相关学习可以参考https://zhuanlan.zhihu....
YOLO —— You Only Look Once：Unified，Real-Time Objection Detection
乐亦亦乐的博客
09-20 565
YOLO 摘要 我们提出了YOLO，一种新的目标检测方法。以前的目标检测工作重新利用分类器来执行检测。相反，我们将目标检测框架看作回归问题从空间上分割边界框和相关的类别概率。单个神经网络在一次评估中直接从完整图像上预测边界框和类别概率。由于整个检测流水线是单一网络，因此可以直接对检测性能进行端到端的优化。 我们的统一架构非常快。我们的基础YOLO模型以45帧/秒的速度实时处理图像。网络的一个较小...
目标检测（八）--Faster R-CNN
热门推荐
工作笔记
03-28 1万+
转自：www.cnblogs.com/dudumiaomiao/p/6560841.html 略删改 R-CNN --> FAST-RCNN --> FASTER-RCNN R-CNN: (1)输入测试图像； (2)利用selective search 算法在图像中从上到下提取2000个左右的Region Proposal； (3)将每个Region Proposal缩放(w...
Faster R-CNN - 目标检测详解
Counting_Stars的博客
02-18 810
[转载申明] 作者：AIHGF 链接：https://blog.youkuaiyun.com/zziahgf/article/details/79311275#comments 链接：https://www.aiuai.cn/aifarm192.html 已获权转载。 ——————————————————————————————————————————— 《Faster R-CNN: Towards Real...
RCNN-阅读笔记-理解
tuzixini的博客
11-23 369
R—CNN论文：Rich feature hierarchies for accurate object detection and semantic segmentation 论文翻译参考：http://blog.youkuaiyun.com/wangsidadehao/article/details/54237567 理解参考：http://blog.youkuaiyun.com/shenxiaolu1984/ar
Faster RCNN全文翻译
FaLoDr_的博客
11-30 664
无
基于Pytorch的Faster-RCNN实现细节解析
代码主要侧重于学习和理解Faster-RCNN的内部机制，而不是为了实际应用构建一个大规模的系统。作者在代码中对数据处理和模型部分进行了注释，以便于其他开发者学习和理解Faster-RCNN的工作原理。" 知识点详细说明: ...
评论 1
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