rcnn论文

RCNN作为目标检测的经典方法,主要解决目标检测窗口生成、数据集稀疏等问题。通过selective search生成建议框,使用仿射变换统一尺寸,然后利用1 vs rest SVM进行分类。训练过程中涉及预训练、微调和hard negative mining。错误分析主要包括定位不准、类别混淆等,为此引入了bounding box回归修正。

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

clipboard

面临的挑战:

1、目标检测窗口生成:

方法一:将检测任务作为回归问题

方法二:滑动窗

方法三:selective search

2、数据集较少

通过在大的数据集ILSVRC上进行有监督的预训练

测试模块的设计:

1、目标建议框的生成:selective search

2、特征提取:从每个建议区域227x227 提取到4096维特征。为了得到统一227x227图像,采用仿射变换。

3、对于每一个类采用1 vs res svm进行分类。

训练细节:

1、有监督的预训练,图像级别的标签

2、fine-tune卷积层,将目标分为21类,iou>0.5 = postive,在mini batch 128 = 32postive +96background

3、分类svm训练,阈值设置非常重要,直接影响mAP,iou = 0.3。注意训练svm时候,由于训练数据比较多,negative数量远远大于postive数量,所以采用standard hard negative mining method

错误分析:

1、Loc poor location

2、Sim 和相似的类混淆

3、Oth 和不相似的类混淆

4、BG 假阳性

相比于dmp更多的错误在于定位误差,所以下面才用了bounding box的回归。

技术关键点:

selective search

affine image warping 仿射变换

standard hard negative mini method

如何对bounding box进行回归修正

### 关于RCNN系列论文的下载与阅读 #### RCNN 论文背景 RCNN(Region-based Convolutional Neural Networks)是一类基于区域的目标检测算法,最早由Ross Girshick等人提出。最初的RCNN通过Selective Search生成候选区域,并利用卷积神经网络提取特征[^4]。 #### Fast R-CNN 的改进 Fast R-CNN 是 RCNN 的升级版本,在训练过程中引入了多任务损失函数,将分类和边框回归结合到同一个网络中完成。它还摒弃了传统的 SVM 分类方法,转而采用 softmax 函数作为分类器[^3]。这种设计显著提高了模型性能和效率。 #### Faster R-CNN 的优化 为了进一步减少计算开销,Faster R-CNN 提出了 Region Proposal Network (RPN),用于替代 Selective Search 方法生成候选区域。这一改动大幅降低了测试阶段的时间消耗,使得实时目标检测成为可能[^1]。 #### Mask R-CNN 的扩展 Mask R-CNN 基于 Faster R-CNN 进一步发展,增加了像素级分割的任务支持。它的核心在于为每个感兴趣区域(RoI)不仅预测类别标签和边界框坐标,还会生成对应的二值掩码(mask)。这使其能够应用于实例分割场景[^2]。 以下是几个推荐的资源链接供您查阅具体论文内容: - **RCNN**: 可访问原始发表页面或者学术搜索引擎如Google Scholar输入关键词"Rich feature hierarchies for accurate object detection and semantic segmentation". - **Fast R-CNN & Faster R-CNN**: 同样可以在上述平台搜索对应名称获取PDF文档. - **Mask R-CNN**: 查找标题“Mask R-CNN”的官方出版物. 对于中文解读资料可以参考以下博客地址但不限于这些: ```plaintext https://blog.youkuaiyun.com/u014380165/article/details/72851035 https://perper.site/2019/02/11/RCNN%E8%AF%A6%E8%A7%A3/ ``` ### 示例代码片段展示如何从arXiv抓取论文元数据 如果想自动化检索相关文献信息可尝试下面Python脚本实现简单的arxiv查询功能: ```python import arxiv def search_arxiv(query): results = arxiv.Search( query=query, max_results=5, sort_by=arxiv.SortCriterion.Relevance ) return [(r.title, r.pdf_url) for r in results.results()] papers = search_arxiv('rcnn') for title,url in papers: print(f"{title}\n{url}\n") ``` 此程序会返回关于'rcnn'主题最相关的前五篇文章及其pdf下载链接。
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