目标检测RCNN流程

最新推荐文章于 2024-11-14 20:42:28 发布
原创 最新推荐文章于 2024-11-14 20:42:28 发布 · 923 阅读 · 2 ·
CC 4.0 BY-SA版权
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。

RCNN训练流程

1、用标注图片有监督预训练CNN网络

迁移学习，可解决标注框不多，训练样本少的问题

2、selective search提取候选框(region proposal)

先根据纹理、色彩、直方图等特征将图片划分出不同的区域，分别计算这n个区域的两两相似度，再将相似度最大的两个区域合并，去掉合并的两个区域，重新计算两两相似度，再合并，直到只剩一个区域，最初划分的区域并上这个过程中产生的所有区域即为候选框，一般一张图选择2k个候选框。

3、将候选框调整成227*227大小

所用网络为AlexNet，所以输入大小是227*227，可以直接在原图上扩展，或者暴力resize，或者在原图上扩展部分再resize

4、与Ground Truth的IOU>0.5为正例(N类)，与所有Ground TruthIOU<=0.5为背景(1类)，以这种方式挑选候选框微调CNN分类网络

为什么要微调，微调能让cnn学到针对特定任务的特征，更有针对性。

训练时，mini-batch为32个正样本和96个负样本，因为负样本太多。学习率为0.01/10，变小是因为避免忘记之前特征。

5、再次选择样本，与所有Ground Truth的IOU全都小于0.3为负例，真实标定类别的Ground Truth为正例，用3中微调的网络提取特征，训练N个SVM分类器

两次训练样本选择标准不一样是因为：微调阶段是由于CNN对小样本容易过拟合，需要大量训练数据，故对IoU限制宽松：Ground Truth+与Ground Truth相交IoU>0.5的建议框为正样本，否则为负样本； SVM这种机制是由于其适用于小样本训练，故对样本IoU限制严格：Ground Truth为正样本，与Ground Truth相交IoU＜0.3的建议框为负样本。

6、每张图片，根据N个svm分类器的分类结果，用非极大抑制删除大面积重复的候选框，只保留跟Ground Truth的IOU最大的那个

① 对2000×20维矩阵中每列按从大到小进行排序； 

② 从每列最大的得分建议框开始，分别与该列后面的得分建议框进行IoU计算，若IoU>阈值，则剔除得分较小的建议框，否则认为图像中存在多个同一类物体； 

③ 从每列次大的得分建议框开始，重复步骤②； 

④ 重复步骤③直到遍历完该列所有建议框； 

⑤ 遍历完2000×20维矩阵所有列，即所有物体种类都做一遍非极大值抑制； 

⑥ 最后剔除各个类别中剩余建议框得分少于该类别阈值的建议框。

7、用剔除后的候选框训练回归器

损失函数的意义：预测值到GroundTruth的映射要尽可能接近从预选框变换到Ground truth的映射

reference:

https://blog.youkuaiyun.com/xjz18298268521/article/details/52412991

https://www.cnblogs.com/gongxijun/p/7071509.html?utm_source=debugrun&utm_medium=referral

https://www.cnblogs.com/gongxijun/p/7071509.html?utm_source=debugrun&utm_medium=referral

目标检测之RCNN算法基本步骤
zhangyoufei9999的博客
05-22 5613
文章：Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2014.代码：htt...
目标检测—RCNN系列
weixin_44768052的博客
04-09 4911
工程应用中，检测算法以one-stage算法yolo系列等为主，因为one-stage通常来说速度快，可以完成良好的实时检测。 本文回顾的是two-stage算法:RCNN系列 One-stage and two-stage: one-stage: 直接回归物体的类别概率和位置坐标值（无region pr...
【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
深度学习之目标检测R-CNN模型算法流程详解说明（超详细理论篇）
qq_55433305的博客
06-24 2万+
RCNN算法分为4个步骤:获取候选区域：对于一张输入的图像，首先使用selective search算法获取2000个左右的候选区域。获取图像特征：将图像输入到卷积神经网络中获取图像特征，这一部分可以采用常用的图像卷积神经网络如VGGNet,AlexNet等。获取区域类别：在初步获得目标的位置之后，需要获取目标的类别，这一步采用SVM分类器来判断当前区域属于哪个类别。微调区域位置：尽管候选区域已经初步目标的位置，但是这个区域比较粗糙，因此使用回归器对区域位置进行微调
RCNN算法流程
m0_49534117的博客
10-20 988
CNN其实就是图像分类网络，只不过是在图像分类中在CNN提取特征展平处理之后，要经过一个全连接层（输出通道数为类别个数）和softmax层，这里把这部分去掉了，从而每个框框留下了4096维的特征向量，总共为【2000，4096】。a、SVM是一个二分类器，这里以VOC数据集为例，有20个类别，所以需要20个SVM分类器【4096，20】，每个分类器会输出是该类别的得分。 b、对于SVM输出矩阵【2000，20】，对于每一列，代表这两千个候选框中属于该类别的分数，对于该列，通过非极大值抑制的方式剔除重叠建议
RCNN系列目标检测方法概述
AUTO1993的博客
11-12 3584
R-CNN系列算法是将将CNN方法引入目标检测领域的开山之作，极大改善目标检测的效果。 传统的目标检测：穷举的方式进行滑窗处理； R-CNN：基于候选区域的方法（region proposals） 一、预备知识 物体检测和图片分类的区别：图片分类不需要定位，而物体检测需要定位出物体的位置，也就是相当于把物体的bbox检测出来，还有一点物体检测是要把所有图
精选资源
目标检测-RCNN.pptx
05-08
RCNN（Region-based Convolutional Neural Network）是2014年提出的一种目标检测方法，它首次将卷积神经网络（CNN）引入目标检测领域。RCNN的目标是接收图像并识别出图像中的主要对象及其位置。RCNN的主要流程包括四...
目标检测RCNN论文原文.rar
09-01
**目标检测技术详解：RCNN模型** 在计算机视觉领域，目标检测是一项至关重要的任务，它旨在定位并识别图像中的特定对象。"Rich feature hierarchies for accurate object detection and semantic segmentation"，即...
《目标检测》R-CNN网络基础（RCNN，Fast-RCNN）
qq_59702185的博客
11-14 1616
训练阶段多，训练耗时： 微调CNN⽹络+训练SVM+训练边框回归器。预测速度慢: 使⽤GPU, VGG16模型处理⼀张图像需要47s。占⽤磁盘空间⼤：5000张图像产⽣⼏百G的特征⽂件。数据的形状变化：候选区域要经过缩放来固定⼤⼩，⽆法保证⽬标的不变形CNN⽹络不再对每个候选区域进⾏特征提取，⽽是直接对整张图像进⾏特征提取，这样减少了很多重复计算。⽤ROI pooling进⾏特征的尺⼨变换，来满⾜FC全连接层对输⼊数据尺度的要求。
精选资源
目标检测模型-Faster-RCNN模型-Pytorch版本
05-13
Faster R-CNN在目标检测领域具有里程碑意义，因为它将区域建议网络（Region Proposal Network，RPN）与卷积神经网络（CNN）结合起来，实现了端到端的检测流程，极大地提高了检测速度和准确性。 以下是Faster R-CNN...
faster rcnn流程图
09-03
目标检测框架Faster-rcnn的流程图，主要是训练阶段，并且用不同的颜色区分
R-CNN的流程步骤
qq_42178122的博客
09-10 796
步骤: 找到可能存在的获选区域,例如得到2000个获选获选区域 将获选区域的尺寸进行同一处理,通过CNN特征提取,得到2000个feature map 使用20个SVM进行分类,得到2000*20的得分矩阵 同一类的候选区域进行NMS,得到表现较好的候选框 修正候选框的长宽,进行微调 ......
目标检测(一)：R-CNN系列
Aiolei的博客
07-31 939
目标检测：R-CNN系列，包括 R-CNN、Fast R-CNN、Faster R-CNN 的算法流程、损失函数和优势不足
一张图理解Faster—RCNN测试流程
ture_dream的博客
10-19 8576
请教同学Faster—RCNN测试流程，他让我看一个Faster—RCNN模型文件（自己找哈）： 看了后，自己画了一张图： 注：conv:卷积              relu：（rectified linear units）激活函数          fc:全连接             RPN：region proposal network  cls
R-CNN流程介绍
shuai_yue的博客
06-16 1487
创新点 1、R-CNN采用Selective Search算法预先提取出可能包含目标的 Region Proposal（候选区域），替代传统算法（DPM等）的滑动窗口法，提高速度。 2、使用CNN提取Region Proposal的特征。从经验驱动特征（SIFT、HOG）到数据驱动特征（CNN feature map），提高特征对样本的表示能力。 3、采用大数据集下（ImageNet ILSVC 2012）有监督预训练和小数据集下（PASCAL VOC 2007）微调（fine-tuning）的方法解决小样
r-cnn各种版本的大致流程和实现
qq_72985002的博客
11-06 248
R-CNN 是最早、也是最有名的一类基于锚框和 CNN 的目标检测算法（R-CNN 可以认为是使用神经网络来做目标检测工作的奠基工作之一），它对图像选取若干提议区域，使用卷积神经网络对每个提议区域执行前向传播以抽取其特征，然后再用这些特征来预测提议区域的类别和边框Fast/Faster R-CNN持续提升性能：Fast R-CNN 只对整个图像做卷积神经网络的前向传播，还引入了兴趣区域汇聚层（RoI pooling），从而为具有不同形状的兴趣区域抽取相同形状的特征；
手撕目标检测之第一篇：目标检测的总体流程
To_be_little的博客
08-01 4255
从头到尾实现目标检测的流程，从处理数据集开始，制造自己的数据集，再到编辑数据集加载，编写网络，编写训练函数，编写评价指标等等，一步一步的向前走，网络不是很新，以 yolov3 为例子，但是适合提高自己的深度学习的代码能力。...............
【每日一网】Day1：RCNN流程简单理解
dudu199806的博客
12-14 1047
RCNN 算法流程 rcnn算法流程大概分为4个步骤 1.一张图生成1k-2k个候选区域（使用后selective search方法） 2.对每个候选区域使用深度网络提取特征 3.特征送入每一类SVM分类器，判别是否属于该类 4.使用回归器精细修正候选框位置 一、候选区域的生成 利用ss算法通过图像分割的方法得到一些原始区域，然后使用 一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体 二、对每个候选区域，使用深度网络提取特征 将2000个候选区域缩放到227x227，
FasterRcnn目标检测项目流程
最新发布
05-22
### Faster R-CNN目标检测项目开发流程 #### 1. 环境搭建与依赖安装 在开始任何机器学习项目之前，都需要先配置好运行环境。对于Faster R-CNN而言，通常需要安装Python及其相关库（如PyTorch、TensorFlow或其他支持框架）。具体步骤如下： - 安装必要的深度学习框架（例如PyTorch或TensorFlow）。 - 配置CUDA和cuDNN以加速GPU计算[^1]。 ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` #### 2. 数据集准备 为了训练Faster R-CNN模型，需准备好标注的数据集。常见的数据格式有COCO、Pascal VOC等。如果使用自定义数据集，则需要将其转换为目标检测标准格式。 - 下载公开数据集（如COCO或VOC），或者收集并标注自己的图像数据。 - 使用工具（如LabelImg）生成Bounding Box标签文件，并保存为XML或JSON格式[^2]。 #### 3. 模型架构理解 Faster R-CNN由两个主要部分组成：特征提取网络（Backbone Network）和地区建议网络（Region Proposal Network, RPN）。其中，RPN用于生成候选区域，而分类器则负责预测类别和调整边界框位置[^3]。 #### 4. 训练过程设置 设定超参数以及损失函数来指导整个训练过程。这一步骤涉及以下几个方面： - **初始化权重**：可以采用预训练模型（如ResNet）作为backbone的初始权重。 - **批量大小（Batch Size）、学习率（Learning Rate）和其他优化策略的选择**。 以下是基于PyTorch的一个简单实现片段： ```python import torch.optim as optim from faster_rcnn import FasterRCNN model = FasterRCNN(backbone='resnet50', num_classes=91) # 设置优化器 optimizer = optim.SGD(model.parameters(), lr=0.005, momentum=0.9, weight_decay=0.0005) scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=3, gamma=0.1) ``` #### 5. 开始训练 加载数据集后即可启动训练循环。在此期间监控验证集上的表现以便及时调整参数。每完成一轮epoch都会评估当前模型性能指标如mAP(mean Average Precision)[^4]。 #### 6. 测试与部署 当达到满意的收敛状态之后就可以利用测试样本检验最终效果了。另外还可以导出ONNX等形式便于嵌入其他应用程序当中去应用该模型成果。 ---
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