R-FCN论文阅读笔记

最新推荐文章于 2021-09-13 21:21:44 发布
最新推荐文章于 2021-09-13 21:21:44 发布
阅读量479 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： # 2D物体检测
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/mingshili/article/details/80549871

R-FCN 论文阅读笔记

目录

1.Motivation

多角度理解

  • 从平移不变与可变性方面的理解：作者分析了图片分类任务中需要CNN平移不变性 与 对象检测任务中需要的平移可变性的困境；作者也认为越深的网络，对于位置预测越不敏感（因为CNN的平移不变性导致的），而ROI的设计是region-specific操作，破坏了这种平移不变性，使其对位置预测有效。本文提出一个位置敏感得分map技术，将类别和位置信息融入到ROI Pooling中。
  • 从计算消耗方面的理解：原始的Faster RCNN在RPN后附加一个网络用于ROI-wise（region-wise）的对象检测，这个附加的网络Batch大小是ROI数目，这样由于没有共享每个ROI的计算，从而导致的Faster RCNN的速度低，因而R-FCN意在解决这个问题。
  • 主要思想：受启发于FCN，进行像素级的识别，利用群众投票的方式，对ROI Pooling后的fmaps直接获取类别和位置，相当于使得类别和位置信息的获取是cost-free，且也相当于共享了两个任务的conv层。
    共享层数目对比

2. How to do it?

个人感觉：本文提出的位置敏感得分map，相当于对RPN的输出做了改进，使其能直接获取隐含对象位置信息。

R-FCN实例
FasterRCNN-R-FCN
- Faster RCNN vs. R-FCN ： 注意看stage5的位置，R-FCN将RPN输出的ROI作用到stage5后的fmaps上，获取类别和位置预测，这样两个任务共享所有的conv层；而Faster RCNN则将RPN的ROI作用到stage4后的fmaps上，然后在用stage5对ROIPooling后的fmaps进行类别和位置预测。
- 另外需要注意，R-FCN从最后一个conv层的输出上使用ROIPooling，直接获得类别或位置的得分（vote方式获取），所以没有是cost-free的。
- 还要注意，R-FCN的ROIPooling与Faster RCNN的ROIPooling操作的不同。

3. See how it works.

R-FCN展示
上图实例给出了R-FCN预测过程的实例展示。

4. What did I learn from it?

  • 收获1：本文提出了conv层的平移不变性与位置检测需要的平移可变性之间矛盾问题，并以此问题出发来设计本文的工作；这个矛盾问题这的深思。
  • 收获2：本文将fmaps设计成score map，将位置信息或类别信息，隐藏到fmaps中，这样的想法很值得学习，值得深思。

参考文献

1：https://www.cnblogs.com/lillylin/p/6277094.html
[2]：http://papers.nips.cc/paper/6465-r-fcn-object-detection-via-region-based-fully-convolutional-networks.pdf

R-FCN论文解读
格子衫的博客
05-04 969
相比较之前的faster-rcnn而言，rfcn比之运行速度更快，效率更高，在准确率上也没有下降。那么rfcn网络到底是什么样的网络呢？其比faster-rcnn的区别在哪里呢？一、rfcn的基本结构：1.一个基本的conv网络：ResNet101--------------->提取基本的特征2.一个RPN网络（Faster Rcnn来的）3.一个position sensitive的pre...
R-FCN论文笔记（R-FCN: Object Detection via Region-based Fully Convolutional Networks）
qq_30146937的博客
02-10 592
前言 较早的目标检测算法，比如SPP-net，Fast R-CNN和Faster R-CNN，它们的网络结构可以通过RoI池化层分为两个子网络：一个是独立于RoI，共享计算的全卷积子网络，其实这部分就是对整个图像进行处理，提取出输入图像的特征图。另一个是RoI-wise子网络，在这个子网络中并不共享计算，也就是对每个RoI（region of interest）进行分类与回归以完成最终的目标检测。...
R-FCN论文学习笔记
qq_42820467的博客
09-26 142
R-FCN阅读笔记
so_so_y的博客
10-10 249
R-FCN的提出 用于目标检测的深度网络可以通过RoI池化层划分成两类子网： 独立于RoI的共享的全卷积子网 不共享计算的ROI-wise子网 由于先进的图像分类网络是由全卷积设计的，通过对比，似乎在目标检测结构中完全使用卷积层构建共享的卷积子网更自然，使得RoI-wise子网没有隐藏层。但是，实践证明这个方法的检测精度非常低。为了解决这个问题，Fast R-CNN检测器在两组卷积层之间插入了...
论文笔记 R-FCN: Object Detection via Region-based Fully Convolutional Networks
xiaoxiang_AQ 的博客
11-21 4718
这篇论文主要采用“位置敏感度图”的方法，将FCN 网络引入到目标检测中来，将图像分类和目标检测很好地结合。因此这种方法可以和很多FCN中的图像分类框架结合，比如ResNets等，使其应用到目标检测中来。本文实验了101层的ResNet在VOC数据下结果，取得了mAP 83.6%和 速度 170ms一张图的结果（速度比Faster RCNN快）。
论文阅读《R-FCN: Object Detection via Region-based Fully Convolutional Networks》
AmbitionalH的博客
09-13 416
Background ＆ Motivation 最早的分类模型 AlexNet 和 VGG Net，前半部分是卷积自网络，后半部分是一些全连接层，前后部分被一个空间池化层隔开。自然而然传统的二阶段目标检测网络可以看作被 RoI pooling 分成两个子网络，前半部分是参数共享的全卷积网络，后半部分是基于 RoI 区域的不共享参数的 RoI-wise subnetwork（Head）。但是检测精度十分低，与分类网络优秀的性能并不能匹配。文中分析是因为分类任务中物体有平移不变性，而在检测任务中的回归任务必须
R-FCN-3000算法笔记
AI之路
12-15 7640
论文：R-FCN-3000 at 30fps: Decoupling Detection and Classification 链接：https://arxiv.org/abs/1712.01802这篇文章是对R-FCN算法（关于R-FCN算法的介绍可以看博客：R-FCN算法及Caffe代码详解）的改进，当初提出R-FCN算法的主要目的在于引入position-sensitive score ma
R-FCN 笔记
weixin_42102248的博客
10-15 309
说明 1.本文是博主的学习记录，主要为了方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正 2.本文重点是了解R-FCN要解决的问题以及它是如何解决的，尽量用较少篇幅表达清楚论文整体思路，其他一些不影响理解论文算法的东西有需要的请查看其他博客 3.论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考，看本文的过程中如对一些名词有疑惑可以直接点击参考链接 原论文 代码 论文翻译...
Face R-FCN算法笔记
AI之路
12-25 2971
论文：Detecting Faces Using Region-based Fully Convolutional Networks 链接：https://arxiv.org/abs/1709.05256腾讯AI Lab的文章，总结起来就是在R-FCN框架上做了一些修改，使其更好地应用在人脸检测上，修改主要包含三个方面，可以看原文的这段话：We improve the R-FCN framewor
论文笔记 | R-FCN: Object Detection via Region-based Fully Convolutional Networks
bea_tree的博客
07-04 1万+
Authors Jifeng Dai，Yi Li，Kaiming He，Jian Sun 代季峰 代码里还有百度云盘的连接，为国人考虑的真周到，只是自己的显卡不足~ Abstract 本文提供了region-based，fully convolutional networks，用于快速精确的目标检测。Fast或者Faster在per-region的时候都需要subnetwor
R-FCN笔记
wslkd0123的博客
08-09 251
↵ R-FCN: Region-based Fully Convolutional Networks 一，主要贡献 1，使用position-sensitive score maps解决目标检测中的位置敏感性问题； 2，提出基于区域的、全卷积、全部共享计算的网络。 二，网络结构和faster r-cnn类似，如下图： 最后一个卷积层会有3个分支：RPN和两个位置敏感得分图，位置...
[论文阅读]R-FCN: Object Detection via Region-based Fully Convolutional Networks
热门推荐
沅晨的小屋
05-26 1万+
arxiv上的一篇新论文，出自MSRA，目前还没有发表，今天刚读完，文章的缺点还要想一想，有空更新。原文链接：点击打开链接 本文是基于region based framework的一种新的detection方法，主要目的是通过移除最后的fc层进行加速。同时通过本篇论文，很好的将RCNN，fast rcnn进行了一个general的总结。本文目前是Pascal voc上面速度和perfor
论文笔记：FCN
hongbin_xu的博客
10-25 1077
原文：Fully Convolutional Networks for Semantic Segmentation FCN 1、四个问题 要解决什么问题？ 语义分割。 用了什么方法解决？ 提出了“全卷积神经网络”，可以接收任意尺寸的输入，并给出对应大小的输出。 使用一些图像分类模型（如：AlexNet、VGG、GoogLeNet）等做迁移学习。 使用skip architecture的...
论文阅读 R-FCN: Object Detection via Region-based Fully Convolutional Networks
复兴之矢
02-24 1493
本文转载自： http://www.cnblogs.com/lillylin/p/6277094.html R-FCN论文阅读（R-FCN: Object Detection via Region-based Fully Convolutional Networks ）   目录 作者及相关链接方法概括方法细节实验结果总结参考文献  
R-FCN
On_theway10的博客
08-06 298
Paper-info title : R-FCN: Object Detection via Region-based Fully Convolutional Networks [2016-NIPS] author :Jifeng Dai,Yi Li,Kaiming He,Jian Sun. Motivation R...
R-FCN论文详解
章鱼、不嚎
11-04 6481
R-FCN 1、R-FCN 设计的目的 虽然Faster R-CNN把整个的检测过程集成到了一个可以end-to-end训练的网络，实现了大部分计算的共享，也极大的提高了检测速度。但是整个检测过程还是不够快，因为Faster R-CNN虽然使用了conv layers来共享特征提取，但是在RoI pooling提取每个RoI的feature map之后，要使用FC layer单独对每个RoI进行分...
R-FCN论文详解笔记
yanghao201607030101的博客
11-23 545
一、论文相关信息 时间：2016年 题目：R-FCN: Object Detection via Region-based Fully Convolutional Networks paper地址：https://link.zhihu.com/?target=https://arxiv.org/abs/1605.06409 code: https://github.com/daijifeng001/r-fcn. 作者：Jifeng Dai 等 二、论文详情 背景与介绍 之前的region-based 目标检
【Deep Learning】R-FCN
Damu
01-02 964
这篇的主要是介绍基于 R-FCN 的目标检测。其中值得注意的便是作者提出了使用全卷积网络，也就是 FCN 来代替之前的检测方法中（Fast R-CNN、Faster R-CNN等）中的网络结构，去除了网络中的全连接层等部分，为了得到更好的效果，在基础网络结构中使用了 hole algorithm 等算法，其中最值得注意的部分是文中所使用的 position-sensitive 思想，具体内容在下面具
论文阅读：FCN：Fully Convolutional Networks for Semantic Segmentation
j879159541的博客
09-29 1372
文章目录1、论文总述 2、语义分割中也有的一种紧张 3、全连接层与卷积层之间互相转化4、FCN extensions5、Image-to-image learning（two regimes for batch size）6、不同层的特征融合参考文献 1、论文总述 这是一篇进行图像语义分割的paper，在这篇论文之前，前面的语义分割的方法好像效果都不好，这个方法一出，影响很大，网络效率高，效...
R-FCN论文
最新发布
03-21
### 关于 R-FCN 的相关论文 R-FCN（Region-based Fully Convolutional Network）是一种用于目标检测的深度学习框架，最初在 NIPS 2016 上被描述并发布了一篇重要论文[^1]。这篇论文由 Jifeng Dai、Yi Li、Kaiming He 和 Jian Sun 联合撰写，隶属于微软亚洲研究院视觉计算组[^2]。 #### 论文基本信息 - **标题**: R-FCN: Object Detection via Region-based Fully Convolutional Networks - **作者**: Jifeng Dai, Yi Li, Kaiming He, Jian Sun - **发表会议**: NIPS 2016 该论文提出了基于区域的目标检测新方法——R-FCN，通过完全卷积网络实现高效的目标检测任务。相比传统的 Faster R-CNN 方法，R-FCN 更加注重模型的速度和效率优化，在保持高精度的同时显著降低了推理时间[^5]。 #### 主要贡献 R-FCN 的核心创新在于引入了位置敏感得分图的概念，并利用这些得分图完成最终的分类与回归任务。具体来说，R-FCN 使用了一个全卷积结构来生成固定大小的空间特征映射，随后通过对感兴趣区域（RoI）执行桶平均池化操作，从而获得更精确的位置感知信息。 如果希望深入研究这一主题，可以访问原始论文链接或者查阅 GitHub 社区中的开源项目资源。例如，在实际应用过程中可能会遇到一些技术难题，比如训练 end2end_OHEM 版本时 loss_bbox 始终为零的情况，这通常可以通过调整 numpy 库版本等方式加以解决[^3]。 ```python import numpy as np # 示例代码展示如何验证 NumPy 是否存在问题 def check_numpy_version(): version = np.__version__ if tuple(map(int, version.split('.'))) < (1, 10, 4): raise ImportError("Your NumPy version is too old. Please upgrade to at least v1.10.4.") check_numpy_version() print(f"Numpy Version Checked: {np.__version__}") ``` 上述脚本可以帮助开发者确认当前环境中使用的 NumPy 版本是否满足最低需求。 ---
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