『目标检测』Faster RCNN

最新推荐文章于 2024-05-29 22:01:54 发布

原创最新推荐文章于 2024-05-29 22:01:54 发布 · 194 阅读

0 ·

CC 4.0 BY-SA版权

目标检测网络专栏收录该内容

8 篇文章

订阅专栏

FasterRCNN是一种高效的CNN目标检测方法，通过基础卷积层提取图像特征，并使用RPN网络生成候选区域，最终实现物体分类与定位。该文详细介绍了其网络结构及关键步骤。

一、Faster RCNN 做目标检测的关键步骤

基础网络做特征提取；
特征传 RPN 网络做候选框提取；
分类层对候选框内的物体进行分类，回归层对候选框内的 (x, y, w, h) 进行精细调整。

二、Faster RCNN 网络结构

在这里插入图片描述

Conv layers。作为一种 CNN 网络目标检测方法，Faster RCNN 首先使用一组基础的 conv+relu+pooling 层提取 image 的 feature maps。该 feature maps 被共享用于后续 RPN 层和全连接层。
Region Proposal Networks。RPN 网络用于生成 region proposals。该层通过 softmax 判断 anchors 属于 positive 或者 negative，再利用 bounding box regression 修正 anchors 获得精确的 proposals。
RoI Pooling。该层收集输入的 feature maps 和 proposals，综合这些信息后提取 proposal feature maps，送入后续全连接层判定目标类别。
Classification。利用 proposal feature maps 计算 proposal 的类别，同时再次 bounding box regression 获得检测框最终的精确位置。

三、Region Proposal Networks(RPN)

在这里插入图片描述

RPN 网络实际分为 2 条线，上面一条通过 softmax 分类 anchors 获得 positive 和 negative 分类，下面一条用于计算对于 anchors 的 bounding box regression 偏移量，以获得精确的 proposal。而最后的 Proposal 层则负责综合 positive anchors 和对应 bounding box regression 偏移量获取 proposals，同时剔除太小和超出边界的 proposals。其实整个网络到了 Proposal Layer 这里，就完成了相当于目标定位的功能。