rcnn论文

最新推荐文章于 2023-01-19 13:35:37 发布
最新推荐文章于 2023-01-19 13:35:37 发布
阅读量382 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： deep learning论文笔记
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/fffupeng/article/details/71632179
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

Voxel-RCNN论文和逐代码解析
NNNNNathan的博客
03-18 7499
1、前言 当前的点云3D检测主要分为两大类，第一类为grid-based的方法，第二类为point-based的方法。 grid-based的方法将不规则的点云数据转换成规则的3D voxels （VoxelNet， SECOND , Fast PointRCNN， Part A^2 Net）或者转化成 2D的BEV特征图（PIXOR, HDNet，PointPillars），这种方法可以将不规则的数据转换后使用3D或者2D的CNN来高效的进行特征提取。 point-b...
PV-RCNN论文和逐代码解析（一）
NNNNNathan的博客
03-11 9319
1、前言 当前的点云3D检测主要分为两大类，第一类为grid-based的方法，第二类为point-based的方法。 grid-based的方法将不规则的点云数据转换成规则的3D voxels （VoxelNet， SECOND , Fast PointRCNN， Part A^2 Net）或者转化成 2D的BEV特征图（PIXOR, HDNet，PointPillars），这种方法可以将不规则的数据转换后使用3D或者2D的CNN来高效的进行特征提取。 ...
R-CNN论文详解（论文翻译）
热门推荐
Cheese的博客
05-08 11万+
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。
RCNN系列论文
12-26
RCNN Fast-RCNN Faster-RCNN Mask-RCNN系列论文 RCNN Fast-RCNN Faster-RCNN Mask-RCNN系列论文
rcnn论文_论文笔记：RCNN
weixin_39636609的博客
11-29 191
在上计算机视觉这门课的时候，老师曾经留过一个作业：识别一张 A4 纸上的手写数字。按照传统的做法，这种手写体或者验证码识别的项目，都是按照定位+分割+识别的套路。但凡上网搜一下，就能找到一堆识别的教程，分割的文章次之，而定位的文章就少之又少了。这其中的缘由也很简单：识别目前来说已经不是什么难事了，所以容易写，但分割和定位却仍然是一个头疼不已的问题，不同场景方法不同，甚至同一场景也要结合多种图像处理...
RCNN论文阅读
菜鸟驿站
09-26 1072
RCNN是利用深度学习来进行目标检测的开山之作，在此之前，主要是利用人工提取的具有鲁棒性的特征，如HOG，SIFT等。下面先简单介绍一下HOG。 1. HOG Pyramid 特征金字塔，对不同大小的物体进行适应，设计尺度不变性特征 HOG特征->SVM分类 2.DPM模型 Deformable Part Model 加组件的HOG特征，组件之间计算弹性得分，优化可变形参数...
RCNN- 将CNN引入目标检测的开山之作
slamer的专栏
03-27 1775
RCNN- 将CNN引入目标检测的开山之作 晓雷 5 个月前 前面一直在写传统机器学习。从本篇开始写一写 深度学习的内容。 可能需要一定的神经网络基础（可以参考 Neural networks and deep learning 日后可能会在专栏发布自己的中文版笔记）。 RCNN (论文：Rich feature hierarchies for accurate objec
RCNN，FastRCNN，FasterRCNN论文
11-01
**RCNN，FastRCNN，FasterRCNN论文解析** 目标检测是计算机视觉领域中的一个核心任务，旨在在图像中定位并识别出不同类别的物体。RCNN（Region-based Convolutional Neural Network）系列算法是该领域的重要里程碑...
目标检测RCNN论文原文.rar
09-01
这篇论文开创了深度学习在目标检测领域的应用，为后续的Fast R-CNN、Faster R-CNN以及YOLO等算法的发展奠定了基础。 **一、RCNN的基本概念** RCNN模型的核心思想是结合传统的对象提议方法与深度学习的强大学习能力...
Faster-RCNN论文及原码解读
Dear_learner的博客
01-19 5330
目录一、模型的整体框架二、网络结构2.1 Conv Layers2.2 RPN(Region Proposal Networks)2.2.1 Anchors box的生成2.2.2 RPN实现原理2.2.2.1 rpn-data2.2.2.2 rpn_loss_cls,rpn_loss_bbox,rpn_cls_prob2.2.2.3 proposal2.2.2.4 roi_data2.3 ROI Pooling2.3.1 ROI Pooling2.3.2 ROI Align2.4 全连接层2.5 损失函数
RCNN系列论文及ppt
05-18
深度学习用在检测的开山之作！
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，也越来越快。可以说基于候选区域的 R-CNN 系列的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。
R-CNN论文梳理
kuangyizheng的博客
01-21 2271
Rich feature hierarchies for accurate object detection and semantic segmentation 1. 前景知识 1.1 selective search算法 Selective search算法（以下简称ss算法）：首先通过以及简单的聚类生成区域集合；然后根据定义的相似度不断合并相邻区域构成新的候选框。本质上是一种基于在原始聚类后的区域集合上，依照邻域的相似度，从小到大的进行滑动窗口。 具体算法实现步骤如下： step1：计算区域集R里每个相
RCNN 论文总结
qq_36865682的博客
01-19 280
总结归纳RCNN论文中涉及到的知识点。
【论文阅读】RCNN论文详解
想当咸鱼的猫
11-04 2165
RCNN 1. 目标检测 目标检测是分类任务（bounding box中物体的类别）和回归任务（bounding box的大小及位置）的组合。 2. RCNN的贡献 根据Selective Search算法提取Region proposal候选区域 将每个Region proposal缩放到统一大小后，通过CNNCNNCNN提取固定大小的特征 将提取出的特征通过SVMSVMSVM进行分类 训练一个回归器，对bounding box边界框进行调整，使其接近ground truth真实边界框 3. Regi
【RCNN系列】RCNN论文总结
capsule的博客
12-05 1569
【RCNN系列】 RCNN系列一些经典论文的总结。
RCNN论文总结
m0_57131092的博客
01-27 2082
Rich feature hierarchies for accurate object detection and semantic segmentation [1311.2524] Rich feature hierarchies for accurate object detection and semantic segmentation (arxiv.org) Abstract 在本文中，作者提出了一种简单的、可扩展的检测算法，来提高检测的mAP。 RCNN包括两个创新点： 将高性能的卷积
Rcnn论文总结
xjz18298268521的博客
09-02 7360
Rcnn论文总结 论文：《Rich featurehierarchies for accurate object detection and semantic segmentation》 这里我也是借鉴了前辈的博客：http://blog.youkuaiyun.com/hjimce/article/details/50187029，在此基础上我详细介绍了selective research原理。 概
R-CNN论文详解
wzy的博客
10-15 1万+
paper链接：Rich feature hierarchies for accurate object detection and semantic segmentation &创新点 采用CNN网络提取图像特征，从经验驱动的人造特征范式HOG、SIFT到数据驱动的表示学习范式，提高特征对样本的表示能力； 采用大样本下有监督预训练+小样本微调的方式解决小样本
RCNN论文
最新发布
03-21
### 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

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