大彤小忆的博客

  目前国内外开发了很多可以用于遥感图像目标检测任务的公开基准数据集，常用的有NWPU VHR-10和DOTA两种。NWPU VHR-10 提取码：73z5NWPU VHR-10遥感数据集是由西北工业大学公布的用于遥感图像目标检测的公开数据集，包含10类地物目标共800张遥感图像，具体有airplane、ship 、storage tank 、baseball diamond、tennis court、basketball court、ground track field、harbor、bridge、

在使用NWPU VHR-10数据集训练Faster R-CNN模型之后，可以通过对保存的模型实现特征图可视化来进一步分析模型。

  使用VGG16作为预训练模型训练Faster-RCNN-TensorFlow-Python3-master的详细步骤→Windows10+Faster-RCNN-TensorFlow-Python3-master+VOC2007数据集。  如果使用ResNet101作为预训练模型训练Faster-RCNN-TensorFlow-Python3-master，在之前使用VGG16作为预训练模型的训练步骤基础上需要修改几个地方。第一个，在之前的第6步时，改为下载预训练模型ResNet101，在./da

一、所需文件下载链接二、基础环境配置三、训练及测试过程  使用Faster R-CNN算法在DOTA数据集上实现目标检测。  使用Faster R-CNN算法在VOC2007数据集上实现目标检测的详细步骤→Windows10+Faster-RCNN-TensorFlow-Python3-master+VOC2007数据集。一、所需文件下载链接Faster R-CNN源码及操作步骤Github链接→Faster-RCNN-TensorFlow-Python3。Faster-RCNN-Tensor.

这里写目录标题一、VOC2007数据集二、DOTA数据集一、VOC2007数据集  VOC2007数据集的文件结构如下图所示。  其中，文件夹Annotations中存放的是图像的标注信息的xml文件，命名从000001.xml开始；文件夹ImageSets中存放的是图像划分的集合的txt文件，目标检测任务对应的train、val、trainval、test数据集的txt文件存放在Main文件夹中；文件夹JPEGImages中存放的是所有图片的jpg文件，命名从000001.jpg开始；文件夹Seg

一、所需文件下载链接  使用Faster R-CNN算法在NWPU VHR-10数据集上实现目标检测。  使用Faster R-CNN算法在VOC2007数据集上实现目标检测的详细步骤→Windows10+Faster-RCNN-TensorFlow-Python3-master+VOC2007数据集。一、所需文件下载链接Faster R-CNN源码及操作步骤Github链接→Faster-RCNN-TensorFlow-Python3。Faster-RCNN-TensorFlow-Pytho.

一、VOC2007数据集二、NWPU VHR-10数据集三、将NWPU VHR-10数据集的格式转换成VOC2007数据集的的格式一、VOC2007数据集  VOC2007数据集的文件结构如下图所示。  其中，文件夹Annotations中存放的是图像的标注信息的xml文件，命名从000001.xml开始；文件夹ImageSets中存放的是图像划分的集合的txt文件，目标检测任务对应的train、val、trainval、test数据集的txt文件存放在Main文件夹中；文件夹JPEGImage.

一、所需文件下载链接二、基础环境配置三、训练过程  使用Faster R-CNN算法在VOC2007数据集上实现目标检测。一、所需文件下载链接Faster R-CNN源码及操作步骤Github链接→Faster-RCNN-TensorFlow-Python3。Faster-RCNN-TensorFlow-Python3-master压缩包百度云盘链接→提取码：76wq。VOC2007数据集百度云盘链接→提取码：z8sd。VOC2007数据集的解析→VOC2007数据集详细分析。二、基础环.

  VOC数据集官网链接→http://host.robots.ox.ac.uk/pascal/VOC/。  VOC2007数据集官网链接→http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html。  VOC2007数据集百度云盘链接→提取码：z8sd。VOC2007数据集分析：  VOC2007数据集有20个类：aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow

  要计算mAP必须先绘出各类别PR曲线，计算出AP。而如何采样PR曲线，VOC采用过两种不同方法。  在VOC2010以前，只需要选取当Recall >= 0, 0.1, 0.2, …, 1共11个点时的Precision最大值，然后AP就是这11个Precision的平均值。  在VOC2010及以后，需要针对每一个不同的Recall值（包括0和1），选取其大于等于这些Recall值时的Precision最大值，然后计算PR曲线下面积作为AP值。AP&mAPmAP：mean Av

  R-CNN、Fast R-CNN、Faster R-CNN算法都是基于Region Proposal(候选区域)的深度学习目标检测算法，是2-stage两阶段检测模型。  Region Proposal就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口(几千个甚至几百个)的情况下保持较高的召回率(IoU)。  边框回归(Bouding Box Regression)：对RegionProposal进行纠正的线性回归算法，目的是为了让Region Propo

  Faster R-CNN算法是作者Ross Girshick对Fast R-CNN算法的一种改进。Fast R-CNN在速度和精度上都有了不错的结果，但仍有一些不足之处。Faster R-CNN算法同样使用VGG-16网络结构，检测速度在GPU上达到5fps(包括候选区域的生成)，准确率也有进一步的提升。在ILSVRC和COCO 2015竞赛中获得多个项目的第一名。在Faster R-CNN中提出了区域生成网络(Region Proposal Network,RPN)，将候选区域的提取和Fast R-C

  Fast R-CNN算法是作者Ross Girshick继R-CNN后的又一力作。R-CNN虽然取得了不错的成绩，但是其缺点也很明显。Fast R-CNN同样使用VGG-16网络结构，与R-CNN相比训练时间快9倍，测试时间快213倍，准确率从62%提升至66%(再Pascal voc数据集上)。Fast R-CNN主要是解决R-CNN存在的问题：测试训练速度慢，主要是提取候选区域的特征慢：R-CNN首先从测试图中提取2000个候选区域，然后将这2000个候选区域分别输入到预训练好的CNN中提取特征

  R-CNN算法可以说是利用深度学习进行目标检测的开山之作。2012年AlexNet网络在ImageNet LSVRC中效果显著，因此R-CNN的作者想要尝试将AlexNet在图像分类上的能力迁移到PASCAL VOC的目标检测上。这就要解决两个问题：如何利用卷积网络去目标定位；如何在小规模的数据集上训练出较好的网络模型。  对于利用卷积网络去目标定位的问题，R-CNN利用候选区域(Region Proposal)的方法，这也是该网络被称为R-CNN的原因：Regions with CNN fe