目标检测——RCNN之建议框padding

最新推荐文章于 2024-07-08 15:56:38 发布
原创 最新推荐文章于 2024-07-08 15:56:38 发布 · 3.2k 阅读 · 1 ·
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：

#深度学习

博客详细介绍了在RCNN目标检测过程中，如何进行建议框的context padding，澄清了原论文中关于resize图片的疑惑。作者通过研究`rcnn_create_model.m`, `rcnn_extract_regions.m`, `rcnn_im_crop.m`三个文件，发现padding并非简单的等距扩大16像素，而是基于图像长宽比进行，以保持形状不变。同时提到了各向同性和各向异性变形的概念，并推荐了一篇相关文章进行深入理解。" 136089646,8269512,前后端交互实现分页功能设计解析,"['前端开发', '后端开发', '数据库']

在学习RCNN的过程中，一直搞不明白resize 227*227这个步骤之前的context padding（建议框padding）这个步骤是怎么进行的，因为发现原论文中最后得到的resize图片（下图 a中红框）跟我所理解得到的resize图片不太相符，

                                                                                      图 a 

我所理解的padding后的图片，应该是上下左右都等距地扩大16个像素值，但是从图a中红框可以看出原文并没有进行等距地扩大16个像素，所以百思不得其解，在google各种问题，查看各种网址，最终在源代码中找到了答案，分别查看：

1. rcnn_create_model.m

2.rcnn_extract_regions.m

3.rcnn_im_crop.m

这3个文件发现：虽然文中说是padding 16个像素值，但是却是在保持长宽比的基础上进行padding，也就是说如果一幅影像的长宽比不是1:1的话，那么建议框的扩大也不是按照1:1进行。

对于文中出现的各向同性变形以及各向异性变形，可以参考这篇文章：

https://www.jianshu.com/p/3a0a0e5a26a1 

终于可以睡觉了～各位早安，晚安～

最低0.47元/天 解锁文章
目标检测知识总结
qq_32244493的博客
09-23 1122
卷积神经网络中的特征图（feature map） 在每个卷积层，数据都是以三维形式存在的。你可以把它看成多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层中每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map。　　feature map（下图红线标出） 即：该层卷积核的个数，有多少个卷积
【神经网络】目标检测——RCNN
liuyanlin0102的博客
05-30 549
test阶段： 用Selective Search招两千左右的Rigion Proposal，并且图像四周加16个像素，再wrap最为CNN输入（227*227*3），这个是Alexnet的input。之所以这样是可以很好地利用Alexnet的结果； 用CNN特征提取特征（2000*4096）。网络结构就是AlexNet，输入227*227*3，第五层输出6*6*256，第六层输出：4096，...
目标检测框架
thisiszdy的博客
01-28 3392
1、SVM+HOG 区域生成方法：滑动窗口； 特征：HOG； 检测范式：手工特征+分类器； SVM+HOG过去常常用于行人检测和车辆检测。以行人检测为例，该方法将目标检测规约为一个二分类问题。首先在训练过程中，根据标注信息将正样本剪裁，并缩放至统一分辨率，然后随机剪裁一些背景图像作为负样本。分别提取正样本和负样本的HOG特征，利用HOG特征训练二分类SVM分类器。在测试阶段，采用滑动窗口的方式，建...
卷积神经网络（CNN）/目标检测领域相关名词解释
weixin_43749999的博客
01-14 3048
卷积神经网络（CNN）/目标检测领域相关名词解释 //2022.1.13日下午15：44开始总结 ROI Pooling 解释：ROIPooling的过程就是将大小不同的区域proposals（一堆矩形候选框框）转换为同样大小的区域。 详细说明：在Faster RCNN中就是将RPN生成的区域建议ROIS + feature map作为ROI Pooling层的输入，然后该层输出一组相同大小的矩形框。更进一步解释，将feature map + ROIs作为输入到Pooling层中，然后通过计算fe.
目标检测候选框的生成：选择性搜索
weixin_39568744的博客
11-03 3741
转载自：https://blog.youkuaiyun.com/u010402786/article/details/78051647 滑动窗口算法/Sliding Window Algorithm 在滑动窗口方法中，我们在图像上滑动一个框或窗口来选择一个区域，并使用目标识别模型对窗口覆盖的每个图像块进行分类。这是一个穷尽搜索整个图像的对象。我们不仅需要搜索图像中所有可能的位置，还得在不同的尺度上搜...
深度学习中padding的作用
星空下
12-01 8258
在做深度学习的时候，会遇到padding的设置，设置SAME，还是VAILD，那么如何理解padding呢？ 首先看英文翻译： padding: UK /ˈpæd.ɪŋ/ US /ˈpæd.ɪŋ/ the pieces of material used to protect something or give it shape 衬垫，衬料，填料 从翻译上可以看出，padding是填补的意思，那么一张图片哪里可以（需要）填补呢？肯定是边缘的地方，像素不够的时候需要填补。即padding是在图像的边缘增
目标检测—Fast RCNN
2301_79573948的博客
06-18 2975
R-CNN是Ross Girshick大神的一大杰作，14年发表在CVPR上，目前已有超过2万的引用量，在目标检测领域有着里程碑式的意义。
目标检测——从RCNN到Faster RCNN 串烧
热门推荐
xyy19920105的博客
03-07 2万+
本人小硕一枚，方向是深度学习的目标检测，故想把从RCNN到Faster RCNN整个线串一下，理清里面的整个设计流程和创新思路，也算是对大神的创新思维进行学习。我会不定期改善博客里面可能存在的小错误，希望大家多多谅解支持啦。另外，在论文中已经讲到的点，如果不是特别重要的话，我不会再复述的啦，所以说各位看官先研读研读论文先，然后再看看我对这些论文的理解。对了，涉及到哪层是几乘几以及那层到底是多少这种细
目标检测——YOLO系列学习（一）YOLOv1
qq_53507133的博客
04-09 2055
YOLO可以说是单阶段的目标检测方法的集大成之作，必学的经典论文，从准备面试的角度来学习一下yolo系列。
目标检测数据增强：同步缩放图片和xml标注
winnerziqi的博客
03-07 1840
同步缩放图片（等比例缩放无失真）和xml文件标注的anchor size import glob import xml.dom.minidom import cv2 from PIL import Image import matplotlib.pyplot as plt import os # 定义待批量裁剪图像的路径地址 IMAGE_INPUT_PATH = r'D:\code\data\JPEGImages' XML_INPUT_PATH = r'D:\code\data\Annotations_
【目标检测】图片缩放至固定尺寸的一种方案
qq_44876051的博客
07-13 3470
前言 目标检测中，卷积网络训练时的图片通常是要求固定尺寸大小的图片（例如416*416），但是直接将图片进行resize处理会引起图片一定程度上的失真，如下图。 一种有效的方法是将图片长宽等比例缩放至所需尺寸，剩余部分利用padding进行填充，以解决图像失真问题。 代码 from PIL import Image def letterbox_image(image, size): # 对图片进行resize，使图片不失真。在空缺的地方进行padding iw, ih = image.s
边缘检测、Padding、stride、三维卷积、多个过滤器
我的博客
01-26 1253
边缘检测、Padding、stride、三维卷积、多个过滤器
Maskrcnn实现笔记---锚框及建议框生成篇
Tepmoe的博客
11-05 3648
目录前言一、MaskRcnn特征网络二、锚框生成1.锚框参数设置2.锚框生成流程三.经过rpn网络后的框后续处理1.anchors转换为建议框2.修剪超出图像范围内的建议框3.选取建议框进行下一步检测与分割总结 前言 Mask-rcnn为两阶段目标检测网络，第一阶段为特征提取生成建议框；第二阶段为根据建议框截取特征，处理截取特征得到分类、标签及掩码。 一、MaskRcnn特征网络 MaskRcnn特征提取网络一般采用resnet101+FPN网络，将生成五个不同大小的特征图P2,P3,P4,P5,P6。
2 -【Faster R-CNN】之 Resize_and_Padding 代码精读
weixin_37804469的博客
02-01 949
在上一篇文章【Faster R-CNN】之 Dataset and Dataloader 代码精读中，我们重写了 Dataset 和 Dataloader， 可以迭代的 读出 batch 数据了。每个batch 中的数据 包括 image 和 target， 数据形如：接下来，batch 中的 images 要传入 backbone 获得 feature map，但是当前这些 images 存在一个问题，就是这 batch 中的图像的尺寸 是不一致的，不能直接喂进 backbone。
opencv+resize+padding+concate
从此做一个俗人
08-27 1161
很多时候，我们不能简单地使用cv2.resize()来直接对图像的分辨率进行调节，为什么呢？ 假设原始的分辨率是220*1000，也就是属于矮胖型，那么如果直接resize到1000*1200会怎样呢，肯定就是直接在高度维度上拉伸，可想而知图片肯定是很诡异的 那如何让resize后的图像看起来更加美好呢？这就要使用resize+padding了 第一步，resize：在保持原有宽高比(i.e. aspect ratio)的前提下，选择高、宽目标放缩比例最大的作为基准（看上面的例子可知：高的放缩比例是220.
怎么调整图片大小会不变形？
paperClub的博客
06-25 2427
通过算法调整图像宽高不变形
CUDA实现模型推理前处理，Resize和Padding
最新发布
qq_40645782的博客
07-08 766
CUDA实现模型推理前处理，Resize和Padding
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
dawnyi_yang的博客
05-22 1042
摘要 过去的目标检测都严重依赖设置密集的目标候选框（如Faster R-CNN），比如对特征图（HW）每个像素设置k个anchor boxes，这样就会有成千上万个acnhors（HW*k），这样过于低效。因此作者提出一种稀疏的anchor设置方法，设置N个可学习的object proposals，用于检测头的分类和位置检测。Sparse RCNN避免了人工设置候选框的大量超参数以及多对一的正负样本分配。更重要的是，最终的预测结果可以直接输出而不需要NMS(非极大抑制)。 论文地址：Sparse R-CNN
yolov5 自适应padding
weixin_47062350的博客
11-01 3472
yolo系列输入尺寸大多是416*416，608*608这种正方形尺寸的。图像预处理中通常先把图像padding成正方形然后在reshape到指定尺寸，但是这样会在图像中产生很大一部分无效区域。在yolov5中提出了一种自适应padding方法，在预处理过程中对原始图像自适应地填充最少的黑边。 先看源码 def letterbox(im, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True
目标检测数据集预处理关键技术解析
目标检测作为计算机视觉领域的核心技术之一，其核心任务是在图像中定位并识别出所有感兴趣的物体，既解决“是什么”的分类问题，也解决“在哪里”的定位问题。而实现这一任务的前提是拥有高质量的数据集，并对其进行...
评论 2
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