从OverFeat到RCNN：目标检测领域的跨越式进步

RCNN：目标检测的革新之路
最新推荐文章于 2025-12-05 11:17:30 发布
原创 最新推荐文章于 2025-12-05 11:17:30 发布 · 1k 阅读 · 28 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标检测 #目标跟踪 #人工智能 #RCNN

前言：为什么需要RCNN？

各位小伙伴们大家好！ 在之前的文章中，我们介绍了OverFeat模型👇点击回顾OverFeat模型原理，它是早期将深度学习应用于目标检测的开拓者之一。不过OverFeat存在一些明显局限性：它采用滑动窗口方式在图像上不同位置和尺度进行检测，这种方法类似一种暴力穷举方式，​​计算量大且效率不高​​，由于窗口大小问题，而且难以精确处理​​不同长宽比的物体​​。

今天我们要介绍的RCNN（Regions with CNN features）模型，则开创性地提出了"候选区域+CNN特征提取"的两阶段思路，极大地推动了目标检测领域的发展！

一、RCNN核心思想：另辟蹊径的解决方案

RCNN由Ross Girshick等人在2014年提出，其核心思想非常直观：​​既然直接在图像上滑动窗口计算量大，何不先找出可能包含物体的区域，再对这些区域进行分类？​​ 🤔

这就好比我们要在图书馆找一本书，OverFeat的方法是逐个书架逐本书检查，而RCNN则是先根据书籍的类别、大小等信息先确定几个可能的位置，再仔细检查这些位置。

RCNN的三大创新点

  1. 使用候选区域（Region Proposals）​​：先找出图像中可能包含物体的区域，极大减少计算量
  2. ​​使用CNN提取特征​​：将每个候选区域输入CNN，提取高质量特征表示
最低0.47元/天 解锁文章
Faster R-CNN译文
weixin_42410915的博客
12-20 585
原论文地址 源代码地址 摘要：最先进的目标检测网络是依赖候选区域算法来预测目标位置。像SPPnet[1]和Fast R-CNN[2]性能较好的网络减少了检测网络的运行时间，将候选区域的建议作为bottleneck。在这项工作中，引入了RPN，与检测网络共享完整图像的卷积特征，从而不消耗任何资源就可以实现RPN。RPN是一个完全卷积的网络，它同时预测每个位置的目标边界框和目标得分。RPN采用端到端的训练方法，生成高质量的候选区域，在Fast R-CNN模型中用于检测。本文进一步通过采用最近流行的神经.
目标检测——Faster RCNN
fortune_cookie的博客
10-09 3792
Faster RCNN是由 R-CNN、Fast R-CNN 改进而来，是非常经典的目标检测的两阶段网络。Faster R-CNN 第一步要使用在图片分类任务 (例如，ImageNet) 上预训练好的卷积神经网络，使用该网络得到的中间层特征的输出。Conv layers 包含了 conv，pooling，relu 三种层。一个 MxN 大小的矩阵经过 Conv layers 固定变为 (M/16)x(N/16) ，这样 Conv layers 生成的 feature map 中都可以和原图对应起来。
关于双阶段目标检测的学习
sunshine1324的博客
01-12 808
使用在imagenet上预训练的1000分类CNN，然后在voc数据集上选择性搜索出2000个区域提案区域提案resize后输入CNN，在voc数据集上微调CNN，20+1分类（CNN只负责提取特征，不负责最后的分类）训练SVM分类器bbox regression得到精确位置区域提案 2000候选框图片进行resize，使得min（w，h）=sbackbone提取特征分类和回归：分类：SPP 4层FC层SVM分类器回归：BBox回归NMS。
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
qq_43593277的博客
03-14 4946
Abstract 最先进的目标检测网络依靠区域建议算法来假设目标位置。SPPnet[1]和Fast R-CNN[2]等技术进步缩短了这些检测网络的运行时间，使区域建议计算成为瓶颈。 在这项工作中，我们引入了一个区域建议网络（RPN），它与检测网络共享完整的图像卷积特征，从而实现几乎cost-free的区域建议。RPN是一个完全卷积的网络，可以同时预测对象边界和每个位置的对象性分数。RPN经过端到端的训练，生成高质量的区域建议，由Fast R-CNN用于检测。我们进一步将RPN和Fast R-CNN合并成一个
目标检测综述
David Lee的博客
04-08 5280
目标检测综述
Object Detection in 20 Years: A Survey 20年间的目标检测：综述
学习日常分享
05-16 6625
摘要 物体检测作为计算机视觉中最基本和最具挑战性的问题之一，近年来受到了极大的关注。它在过去二十年中的发展可以看作是计算机视觉历史的缩影。如果我们把今天的物体探测看成是深度学习力量下的技术美学，那么把时钟拨回到20年前，我们就见证了冷武器时代的智慧。本文根据其技术演变（从1990年代到2019年）广泛回顾了400多篇关于物体检测的论文。本文涵盖了许多主题，包括历史上的里程碑探测器，检测数据集，指标，检测系统的基本构建块，加速技术以及最近的最先进的检测方法。本文还综述了行人检测、人脸检测、文本检测等一些重要的
深入浅出Faster R-CNN：目标检测的里程碑算法
qiutesting的博客
10-27 2289
在日常生活中，我们经常需要让计算机"看懂"图像——不仅仅是知道图像里有什么，还要知道这些东西在​​什么位置​​。这就是​​目标检测（Object Detection）​​ 的任务：在图像中找出感兴趣的目标（物体），并确定它们的​​位置​​和​​类别​​。想象一下，如果你正在教一个小朋友认识动物：不仅要告诉他"这是狗"，还要用手指着狗的位置。目标检测算法做的就是类似的事情！🐶Faster R-CNN是目标检测领域的一个重要里程碑，它通过引入​​区域提议网络（RPN）​。
​​​​​​​深度神经网络读书记录及Faster RCNN论文翻译
a694262054的博客
06-27 2540
深度神经网络读书记录及Faster RCNN论文翻译 神经网络算法是一种试图模仿生物神经元和生物神经网络的行为来解决问题的方法。它是最近几年在图像处理中运用最广泛，效果最优秀的算法之一。它的发展历经数十年， 期间有过热潮也有过低谷。现在神经网络算法已经被广泛使用于如自然语言处理，图像识别[1,2]，语义分割等方面。现在神经网络算法主要以深度学习方法出现。近几年神经网络算法的发展主要有一下三...
R-FCN论文翻译——中英文对照
SnailTyan
01-29 4246
文章作者：Tyan 博客：noahsnail.com  |  优快云  |  简书 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation R-FCN: Object Detection via Regi...
【目标检测综述】20年目标检测技术综述
weixin_44184852的博客
04-15 2007
摘要—目标检测作为计算机视觉领域最基础且最具挑战性的问题之一，近年来受到极大关注。过去二十年间，我们见证了目标检测技术的快速演进及其对整个计算机视觉领域的深远影响。若将当前以深度学习为驱动的目标检测技术视作一场革命，那么回溯至20世纪90年代，我们便能领略早期计算机视觉研究者独具匠心的思维与极具前瞻性的设计。
精选资源
＜数据集＞翻越栏杆行为识别数据集＜目标检测＞
09-04
YOLO与VOC格式的翻越栏杆行为识别数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，512张图片。文件中包含图片、txt标签、指定类别信息的yaml文件、xml标签，已将图片和txt标签划分为训练集、验证集和测试集，...
目标检测(R-CNN,SPPNET,FAST-RCNN,FASTER-RCNN)
2303_79620604的博客
07-17 1070
一文搞懂rcnn，sppnet，fastrcnn，fasterrcnn。
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习与集成方法：组合多个学习器来提高整体性能
hiliang521的博客
12-02 812
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习
TensorRT笔记（5）：研究timingCache
ouliten的博客
12-02 948
在里出现了大量的timingCache，但是当时没有取研究这是干啥的，本文就来解析一下。样例都基于上面的文章。
大模型应用：大模型 MapReduce 全解析：核心概念、中文语料示例实现.12
minhuan的专栏
12-03 1072
本文介绍了MapReduce编程模型及其在大模型训练中的应用。MapReduce通过"分治-并行-聚合"思想处理大规模数据，传统Hadoop MapReduce侧重结构化数据计算，而大模型MapReduce则针对自然语言处理任务。文章详细对比了两者在架构、处理对象和核心算力等方面的差异，并提供了中文词频统计的Python实现示例，包括单机版和分布式版本。分布式实现利用多进程模拟集群计算，展示了数据分片、Map、Shuffle和Reduce的完整流程。
人工智能的基石之三：硬件
最新发布
最简单的方法，解决最实际的问题。
12-05 455
高性能硬件是人工智能的基石，尤其是在机器学习和深度学习领域，海量数据是常态。从充当计算机大脑的中央处理器 (CPU) 到加速计算的图形处理器 (GPU)，硬件的作用是提供处理和运行复杂数据算法所需的原始能力。
AI泡沫什么时候破？
脑极体
12-04 301
而AI企业面对的短期形势，可能更为严峻。而AI公司和技术服务商，为了迎合决策者或拿下B端大项目，往往不计成本的低价竞标，无视人工成本的驻场开发，技术价值让位于领导偏好，企业自身也深陷人效黑洞，沦为挣辛苦钱的技术外包。To B/G不赚钱，To C也卖不上价，所以目前AI领域唯一清晰的商业模式，就是类似英伟达的“卖铲人”模式，卖加速卡和算力的企业成了这一轮AI浪潮的最大受益人。去伪存真之后，资本会冷却，叙事会修正，共识会重新凝聚，而那些持续追问“AI如何创造真实价值”的人，会与行业一同穿越周期，走向成熟。
昇腾平台 vLLM 部署与性能优化实战：高吞吐推理落地指南
热门推荐
二哈喇子！
12-01 1万+
昇腾平台vLLM部署与性能优化实战摘要
DL00596：基于Transformer的SDN环境流量异常检测
2504_94303570的博客
12-01 340
经过实测，在万兆链路上用64长度窗口，处理延迟能压在15ms以内，基本不影响正常业务。流量异常检测在SDN（软件定义网络）里是个刺激的活儿。传统方法面对动态变化的网络拓扑就像拿渔网抓蚊子，Transformer这种能捕捉长距离依赖的模型倒是很对路子。咱们今天不整虚的，直接上代码看看怎么用PyTorch搞个能跑起来的检测器。我的土办法是每6小时重新做一次归一化参数校准，同时维护一个动态阈值：取最近1小时误差的95分位数作为报警线。这里有个坑：不同维度的特征数值差异太大，持续时间可能几百秒，包数直接上万。
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

AI妈妈手把手

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