RCNN系列边界框回归损失函数

原创 于 2025-09-26 14:04:57 发布 · 637 阅读 · 0 ·
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：

#回归 #数据挖掘 #人工智能

该文章已生成可运行项目，

在这里插入图片描述
以上4个公式是RCNN论文附录C中的。
笔者一开始有点认不出这个公式是怎么来的，但是细想一下，也比较自然。
对于公式（1），如果改写成如下：
在这里插入图片描述
候选框x坐标+回归值=预测值，是不是更自然？
但就像神经网络中的各种normalization一样，如果能够保证dx稳定在-1到1之间，训练效果就会更好，因此就用这个归一化后的值乘以Pw，就变成公式（1）了
公式（2）同理
对于公式（3）和（4），原理类似：
1.实现尺度不敏感（Scale-Invariant）的回归
2.保证预测的宽高为正值

本文章已经生成可运行项目
faster-rcnn详解（rpn，损失函数）
weixin_43745234的博客
08-11 7321
rpn工作流程： 在CNN生成的特征图上，执行一个3×3的卷积，pading设为（1,1），保证能够卷到特征图的每个位置，最后得到一个跟特征图尺寸一模一样的特征图，然后在后面并联两个1×1卷积，通道数分别为2k和4k，实现类别和边界框回归参数的预测，这里的类别是前景或背景 在cnn生成的特征图上的每个位置，生成9个anchor（假如20k），然后去除越界的anchor（剩下6k）【**注意，原论文中，是在20k个anchor中采样256个正负样本，然后执行下面的操作（用这符合条件的256个anchor训练
Fast R-CNN中的边框回归
Brook_cv的博客
02-18 1396
前面对R-CNN系的目标检测方法进行了个总结，其中对目标的定位使用了边框回归，当时对这部分内容不是很理解，这里单独学习下。 R-CNN中最后的边框回归层，以候选区域(Region proposal)为输入，来对Region proposal中包含的目标进行准将的定位。但是，这个输入的候选区域通常不会正确的包含目标区域，如下图： 绿色边框是飞机的Ground Truth边框，绿色的是Region ...
【R-CNN目标检测系列】二、边界框回归（Bounding-Box Regression）
戴璞微的学习之路
07-20 9460
前言 在上一篇博文：【计算机视觉——RCNN目标检测系列】一、选择性搜索详解我们重点介绍了RCNN和Fast RCNN中一个重要的模块——选择性搜索算法，该算法主要用于获取图像中大量的候选目标框。为了之后更加顺利理解RCNN模型，在这篇博文中我们将主要介绍RCNN及其改进版本——Fast RCNN和Faster RCNN中一个重要模块——边界框回归（Bounding-Box Regression）...
深度学习学习笔记——RCNN中的边框回归问题
phily123的博客
09-01 539
参考，评论也重要 目标检测不但要图像识别还要找出其位置，位置是通过bbox确定的，那么bbox是怎么找到的？ 很多论文只是简单带过通过线性回归器来进行边框回归确定边界框位置，实际上是通过x,y,w,h（即中心坐标和宽高）确定bbox,输入是真实x,y,w,h和候选框，输出的是预测框，损失函数是通过p和t确定的。 ...
目标检测-RCNN
念去去的博客
12-06 430
rcnn首先会做一个region proposal，也就是任意的找到一些疑似完整物体的区域，这一步是任意的，根据梯度信息找到一些边缘，然后就圈出来了。这一步会找到非常多的区域作为候选框，给接下来的分类提供素材。论文说的是找了两千多个 接着把那些候选框一个一个输入神经网络，算出特征 接着把算出的特征交给svm去做分类，得到分类与置信度。 最后每个类别在训练出四个向量，保证预测的时候特征这四个向量可...
rcnn论文_【计算机视觉—RCNN目标检测系列】二、边界框回归（Bounding-Box Regression）...
weixin_39671964的博客
12-07 493
前言在上一篇博文：【计算机视觉——RCNN目标检测系列】一、选择性搜索详解(戴璞微：【计算机视觉——RCNN目标检测系列】一、选择性搜索详解​zhuanlan.zhihu.com)我们重点介绍了RCNN和Fast RCNN中一个重要的模块——选择性搜索算法，该算法主要用于获取图像中大量的候选目标框。为了之后更加顺利理解RCNN模型，在这篇博文中我们将主要介绍RCNN及其改进版本——Fast RC...
faster rcnn的边界框如何回归到
最新发布
03-16
以下是 PyTorch 版本的一个简单实现片段，展示了如何利用 Smooth L1 损失进行边界框回归训练： ```python import torch.nn as nn def bbox_regression_loss(pred_boxes, gt_boxes): """ pred_boxes: Tensor of ...
用于边界框回归的更新IoU损失函数
### 用于边界框回归的更新 IoU 损失函数 #### 1. 引言 目标检测和实例分割在计算机视觉中起着基础作用。近年来，与该主题相关的许多实际应用被提出，例如视觉跟踪、人脸检测、道路场景分割等。由于深度学习的蓬勃...
『计算机视觉』Mask-RCNN-训练网络其二：train网络结构损失函数.pdf
04-21
2. 损失函数：Mask-RCNN 的损失函数包括分类损失、回归损失、掩码损失等。分类损失用于计算分类概率的损失，回归损失用于计算 proposals 的回归损失，掩码损失用于计算实例掩码的损失。 3. 原始标签处理：原始标签...
【目标检测】RCNN 的边界框回归损失函数
Jiangnan_Cai的博客
11-13 1289
从 rcnn 的边界回归 讲到 岭回归与最小二乘法
5月2日 RCNN训练时的边框回归详解
weixin_39306118的博客
05-02 546
转载 https://blog.youkuaiyun.com/zijin0802034/article/details/77685438 对于为什么要使用边框回归已抄录在电子笔记上，后面具体怎么操作的包含公式，时间很紧、暂不进行学习。 ...
Faster RCNN原理篇（一）——Bounding-Box Regression边界框回归的学习和理解
Yale-曼陀罗
12-14 5743
Bounding-Box Regression边界框回归的学习和理解引言1. （Why?）为何要做边框回归？2. （What?）什么是边框回归？3. （How?）如何实现边框回归？4. 边框回归为什么使用相对坐标差？5. 为什么边框回归只能微调，且只有距离Ground Truth较近的时候才能生效？ 引言 由于Faster RCNN = RPN + Fast RCNN，因此，为了学习和理解Faster RCNN，本人研究了RPN的实现原理，在学习RPN实现原理的过程中，又不可避免地开始深专Bounding-
Faster R-CNN论文笔记——FR
FR的专栏
10-20 5万+
在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。 一、基于Region Proposal（候选区域）的深度学习目标检测算法 Region Proposal（候选区域），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，Intersection-over-
边框回归(Bounding Box Regression)详解
热门推荐
南有乔木NTU的博客
08-31 20万+
Bounding-Box regression最近一直看检测有关的Paper, 从rcnn， fast rcnn, faster rcnn, yolo, r-fcn, ssd，到今年cvpr最新的yolo9000。这些paper中损失函数都包含了边框回归，除了rcnn详细介绍了，其他的paper都是一笔带过，或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多，后面的两条我看了很多pape
Rcnn 中的边框回归学习（部分源码分析）
abc15766228491的博客
09-02 4809
最近了解了一下Rcnn系列，里面有边框回归步骤，以前就很不解，是如何回归边框的，花了一下午看了下论文，总结一下，如有错误，请指正。。。 边框回归的作用：可以提高分类的准确率。。 通过边框回归，可以让目标检测预测出的框和正确的框的重合比增加，如下图（网上盗的图片）： 如图，将红色框转换为接近绿色框之后，提高交并比。大致步骤如下 传入图片bounding-box的四个值，分别为Px, P...
深度学习的一些知识（二）（图像分类与检测）
789请问的博客
12-18 835
一、其他 1.1×1卷积核理解 1×1卷积核理解 - 平静-平静 - 博客园 https://www.cnblogs.com/tianqizhi/p/9665436.html 2.选择性搜索selective search 用在R-CNN中，和滑动窗口法相对的是另外一类基于区域（region proposal）的方法。 选择性搜索（selective search） - 郭云飞的专栏...
基于 Mask R-CNN 中边界框回归知识讲解（重点是代码）
qq_35874169的博客
11-02 3750
一、 边界框回归的概念     如图所示，红色的框代表原始的建议框（proposal region），绿色的框代表目标的真实边界框（ground truth）。边界框回归的目标是：寻找一种映射关系，使得原始的建议框（红色）经过映射变为一个与真实边界框（绿色）更接近的边界框（蓝色）。一个矩形框通常可以用x、y、w、h四个参数表示（它们分别表示窗口中心点的坐标以及矩形框的宽高）。 二、公式讲解     边界框回归的这种映射关系可以表示为：     边界框 G^\hat{G}G^ 可以通过下式得到，其中PPP
R-CNN系列论文综述
Leong Blog
12-04 1076
本文首发自 优快云 上几期我们讲过目标检测 One-Stage 的代表 YOLOv3 本来这一期是打算写 SSD（One-Stage 的另一个代表） 的，发现 SSD 其中涉及的知识是从 R-CNN（Two-Stage）来的，故此。这一期我们就来理理 R-CNN 系列的部分知识点，同样，我们会分为 理论、体验和代码实战 三期来进行讲解，今天就是理论部分。 在开始 R-CNN 系列之前，我们先引入...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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