faster-rcnn 物体检测(深度学习在物体检测的应用)

本文详细介绍了Faster R-CNN在物体检测中的应用,通过13个卷积层和池化层获取特征图,接着使用Region Proposal Network(RPN)生成候选框,并进行分类和边界框回归,最终通过ROI Pooling进行特征提取,实现精确的物体检测。

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

本文是2015年发表的物体检测的经典top论文。

本文思路:

1、目的得到feature maps。先通过conv层+pooling层+relu层,可以是vgg,得到feature maps。

2、目的得到精确的proposals,提议建议图??,在feature maps上提取对应的图。在第一步基础上,先通过rpn生成region proposals。通过softmax判断anchors(9个框),是foreground还是background,再通过bounding box regression 进行修正是anchors,也就是进一步确定proposals。

3、目的是为了得到proposals feature maps,提取框的特征图,这一步是为了下面的分类做准备,也就是先得到框图在分类。这一步先通过上面得到的proposals,和roi pooling,提取proposals feature maps。

4、分类。用proposals feature maps和一开始的proposals判断类别。

下图是论文自带的检测架构图:

 

更细的如下:

由上图:

1、从最上,一个图片从由pq大小,变为mn大小,进入网络,经过13个conv,13个relu,4个pooling。得到feature m

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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