RCNN 和Faster RCNN 原理

最新推荐文章于 2025-04-10 21:34:58 发布
最新推荐文章于 2025-04-10 21:34:58 发布
阅读量379 收藏 1
点赞数
分类专栏： 笔记 深度学习 ai模型搭建，平台部署课程 文章标签： 机器学习 python 算法
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/monk96/article/details/126470912
版权
RCNN使用Selective Search获取2k个候选框，然后逐个提取特征并用SVM分类和回归，训练过程较慢。Fast RCNN改进为一次性提取特征图，使用RoI Pooling加速。Faster RCNN引入RPN，先预测候选框，再进行分类和微调，显著提高了效率。RPN在特征图上生成多个框，区分前景和背景，处理坐标信息，实现快速目标检测。

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

文章目录

RCNN

  • 通过ss算法提取2k个候选框
  • 对每个候选框提取特征图
  • 进行每个图的分类svm和回归

缺点： 训练慢， 每个候选框都需要提取特征图

fast RCNN

  • 提取一次特征图，共享特征图
  • 对于候选框映射到特征图上，加快了速度
  • Roi polling层，统一大小输入到全连接层进行分类，回归等

faster Rcnn

    了解本专栏 订阅专栏 解锁全文 超级会员免费看
    一文读懂Faster RCNN（大白话，超详细解析）
    风中一匹狼的博客
    08-30 18万+
    文章目录一 前言二 Faster RCNN模型详解1 测试（Test）1.1 总体架构1.2 conv layers1.3 RPN1.3.1 anchors1.3.2 cls layer——分类1.3.3 reg layer——回归2 训练三 总结 一 前言 Faster RCNN是two-stage目标检测模型中的典型代表，虽然已经是16年的老模型，但检测与训练过程还是比较复杂的，至少有80%以上调包使用该模型的人其实并不理解其检测原理以及很多细节。不需要对每一个细节都死扣，但理清其检测逻辑和训练过程还是
    RCNN、Fast RCNN、Faster RCNN对比
    qq_32172681的博客
    08-27 5848
    RCNN、Fast RCNN、Faster RCNN详解参考以下文章： RCNN：https://blog.youkuaiyun.com/qq_32172681/article/details/99105617 Fast RCNN：https://blog.youkuaiyun.com/qq_32172681/article/details/99194233 Faster RCNN：https://blog.csd...
    faster-RCNN算法原理详解
    BigCowPeking
    07-30 1万+
    faster-RCNN算法原理详解
    RCNN,FastRCNN，FasterRCNN原理及相应概念解释
    别说话写代码的博客
    07-26 2万+
    本文转自：https://www.cnblogs.com/dudumiaomiao/p/6560841.html R-CNN: (1)输入测试图像； (2)利用selective search 算法在图像中从上到下提取2000个左右的Region Proposal； (3)将每个Region Proposal缩放(warp)成227*227的大小并输入到CNN，将CNN的fc7层的输出作为...
    目标检测：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍
    qq_43799400的博客
    03-10 4万+
    目标检测：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍
    Faster RCNN详解
    热门推荐
    小白的深度学习的博客
    05-13 19万+
    paper：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 前言 faster rcnn是何凯明等大神在2015年提出目标检测算法，该算法在2015年的ILSVRV和COCO竞赛中获得多项第一。该算法在fast rcnn基础上提出了RPN候选框生成算法，使得目标检测速度大大提高。 R CN...
    Linux运行fasterrcnn,fasterrcnn深度学习口罩检测
    weixin_39599705的博客
    05-10 439
    fasterrcnn深度学习口罩检测前言FasterRCNN原理详解训练我们自己的FasterRCNN使用labelimg制作我们自己的VOC数据集FasterRCNN训练详解源码地址与小结前言前两周完成了resnet50垃圾分类，但总觉得太过于基础，不能让人眼前一亮，另外由于我自己也是深度学习的爱好者，所以我应该提高一点难度，于是决定做一次目标检测，大概一个月前学习了RCNN，FastRCNN，...
    FasterRcnn 原理解析
    无能狂怒博客
    11-01 864
    FasterRCNN
    faster rcnn 原理解读
    WYR_try的博客
    05-26 1233
    简介 Faster R-CNN 第一步是采用基于分类任务(如，ImageNet)的 CNN 模型作为特征提取器. 听起来是比较简单的，重要的是理解其如何工作和为什么会有效，并可视化中间层，查看其输出形式. 网络结构很难说哪种是最好的. Faster R-CNN 最早是采用在 ImageNet 训练的 ZF 和 VGG，其后出现了很多其它权重不同的网络. 如，MobileNet 是一种小型效率高的网...
    FasterRcnn原理详解
    06-16
    **Faster R-CNN原理详解** Faster R-CNN（快速区域卷积神经网络）是计算机视觉领域中一种用于目标检测的重要算法，由Ross Girshick等人在2015年提出。它在R-CNN（区域卷积神经网络）的基础上进行了改进，大大提升了...
    rcnn、fast rcnn、faster rcnn和yolo的算法原理和流程
    03-21
    本ppt解释了rcnn、fast rcnn、faster rcnn和yolo的算法原理和流程。
    Fast RCNN和Faster RCNN
    01-22
    **Fast RCNN与Faster RCNN是深度学习领域中用于目标检测的两种重要算法，它们在卷积神经网络（CNN）的基础上进行了优化...开发者可以研究这些代码来深入理解Fast RCNN和Faster RCNN的工作原理，并应用于自己的项目中。
    faster_rcnn.rar_RCNN_faster_faster rcnn 程序_faster-rcnn_测试工程
    09-21
    Faster R-CNN（Region-based Convolutional Neural Network）是由Ross Girshick等人于2015年提出的一种深度学习目标检测算法，它在RCNN（Regions with Convolutional Neural Networks）的基础上进行了重大改进，提升...
    机器学习详解(19):长短期记忆网络LSTM原理详解
    主要分享硬件、嵌入式软件部分知识
    04-08 1003
    虽然用公式描述时，LSTM 的结构可能看起来复杂甚至有些吓人，但只要我们一步步梳理其内部逻辑，就会发现它其实并不难理解。它通过门控机制实现了对记忆的“读、写、忘”操作，构建了一种既能保留上下文又能灵活应变的序列建模能力。但LSTM 并不是终点，注意力机制（Attention）不再依赖固定的上下文状态，而是**“主动选择”**需要关注的信息来源。例如，在图像字幕生成任务中，模型在生成每一个词时，都能自动聚焦图像中不同的区域。这种自由灵活的对齐方式，在自然语言处理和多模态任务中都展现出巨大潜力。
    十分钟机器学习之--------------线性回归
    最新发布
    2302_80515827的博客
    04-10 540
    线性回归（linear regression）是一种基于数学模型的算法，首先假设数据集与标签之间存在线性关系，然后简历线性模型求解参数。在实际生活中，线性回归算法因为其简单容易计算，在统计学经济学等领域都有广泛的应用，所以也作为工业界常用的模型。
    EPGAN：融合高效注意力的生成对抗网络图像修复算法
    LJ1147517021的博客
    04-10 25
    利用掩码设计来遮掉输入图像的一部分，将这类图像输入给生成器。生成器结合ECA注意力机制架构，利用感知损失、对抗损失和均方误差损失的加权和来作为生成器的损失计算。鉴别器分别对应掩码和整张图做损失计算。
    基于机器学习的三国时期诸葛亮北伐失败因素量化分析
    ZTLJQ的博客
    04-02 1351
    三国时期（220-280年）的战争史存在史料分散、数据缺失的特点。诸葛亮北伐的失败本质是：在资源约束条件下追求高维战略目标时，未能及时调整系统参数以维持相空间稳定性。这种在复杂系统中追求线性解的行为，通过机器学习模拟显示出必然的崩溃趋势。模型显示，当粮草供给量低于兵力需求的1.8倍时，战役失败概率陡增63%。第五次北伐（234年）时该比值已降至1.05，触发资源临界点。模型显示：若将北伐频率降低40%，转而加强汉中屯田，可使建兴十二年（234年）粮食储备增加2.1倍，延长战略窗口期约5.8年。
    机器学习中的回归与分类模型：线性回归、逻辑回归与多分类
    2403_87387270的博客
    04-10 355
    使用。
    华为面试，机器学习深度学习知识点：
    bvip911的博客
    04-02 1220
    definit二叉树的最大宽度 Leetcode 662：pythondefinitreturn 0∑j=1n​ezj​ezi​​，其中yi​是第i个类别的概率，且∑i=1n​yi​=1。作用：将输出值转换为概率形式，便于进行分类决策，例如选择概率最大的类别作为预测结果。
    fasterrcnn原理
    01-14
    ### Faster R-CNN 工作原理详解 #### 1. 区域提议网络 (RPN) Faster R-CNN 中最重要的改进在于引入了区域提议网络（Region Proposal Network, RPN），取代了传统的选择性搜索方法来生成候选框。RPN 是一种全卷积网络，能够高效地生成高质量的候选框[^1]。 ```python class RegionProposalNetwork(nn.Module): def forward(self, feature_map): # 使用滑动窗口在特征图上生成锚点 anchors = generate_anchors(feature_map) # 对每个锚点预测其是否为物体以及调整边框位置 objectness_scores, bbox_deltas = predict_objectness_and_bbox(anchors) return objectness_scores, bbox_deltas ``` #### 2. 候选框生成与筛选 RPN 输出大量候选框后，会对其进行非极大值抑制处理，去除重叠度较高的候选框，并保留最有可能包含目标的对象建议框。这些经过筛选后的候选框会被传递给后续模块进行分类和回归操作。 #### 3. ROI Pooling 层 为了使不同大小的候选框具有相同的尺寸输入到全连接层中，Faster R-CNN 设计了一个特殊的池化层——ROI Pooling 层。该层可以根据不同的候选框自适应地提取固定大小的空间特征向量[^2]。 ```python def roi_pooling(input_features, rois, pooled_height=7, pooled_width=7): output = [] for roi in rois: # 计算感兴趣区域对应的特征图上的坐标范围 start_h, end_h, start_w, end_w = calculate_roi_coordinates(roi) # 自适应最大池化得到固定维度表示 pooled_feature = adaptive_max_pool( input_features[start_h:end_h, start_w:end_w], (pooled_height, pooled_width)) output.append(pooled_feature.flatten()) return torch.stack(output) ``` #### 4. 分类与边界框回归 最后一步是对每一个候选框执行二分类任务（背景 vs 物体类别）并优化边界框的位置参数。这部分采用了 Fast R-CNN 的设计思路，在共享卷积层基础上添加两个平行支路分别负责分类和定位任务。 ```python class RCNNHead(nn.Module): def __init__(self, num_classes): super().__init__() self.fc_layers = nn.Sequential( nn.Linear(in_features=pooled_size * pooled_size * conv_channels, out_features=fc_hidden_units), nn.ReLU(), ... ) self.classifier = nn.Linear(fc_hidden_units, num_classes + 1) # 加1是因为有背景类 self.bbox_regressor = nn.Linear(fc_hidden_units, 4 * num_classes) def forward(self, pooled_rois): features = self.fc_layers(pooled_rois) class_logits = self.classifier(features) bbox_preds = self.bbox_regressor(features) return class_logits, bbox_preds ```
    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

    打赏作者

    东哥aigc

    你的鼓励将是我创作的最大动力

    ¥1 ¥2 ¥4 ¥6 ¥10 ¥20
    扫码支付：¥1
    获取中
    扫码支付

    您的余额不足，请更换扫码支付或充值

    打赏作者

    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