RPN(region proposal network)之理解

最新推荐文章于 2024-05-20 10:31:33 发布
转载 最新推荐文章于 2024-05-20 10:31:33 发布 · 222 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/YouXiangLiThon/p/7685576.html

在faster-r-cnn 中，因为引入rpn层，使得算法速度变快了不少，其实rpn主要作用预测的是

“相对的平移，缩放尺度”，rpn提取出的proposals通常要和anchor box进行拟合回归，就像

卡尔曼滤波一样，最终结果是基于观测量加上一个预测量。这里将的不错，公式和代码也

切合。

下面部分来源：http://www.cnblogs.com/dudumiaomiao/p/6560841.html
主要步骤，

回归/微调：

回归/微调的对象是什么？ 

(4)   Bounding-box regression（边框回归） 
那么经过何种变换才能从图11中的窗口P变为窗口呢？比较简单的思路就是： 
 

 

和知乎   https://www.zhihu.com/question/42205480     的回答：

这里输出的并不是一个boundingbox的左上右下坐标，而是一个修改量（boundingbox regression）。在r-cnn的supplementary material中，给出了下面几个公式
v2-e63f33b16aff3345d984a08eec143322_hd.png这里面的

 

这里面的P就是的anchor（高、宽、中心），而里面的d_{x} d_{y}d_{w}d_{h}是rpn_bbox层输出的四个值，G就是修改之后的高、宽、中心。


作者：刘缘
链接：https://www.zhihu.com/question/42205480/answer/128259995
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

 

转载于:https://www.cnblogs.com/YouXiangLiThon/p/7685576.html

RPN（Region Proposal Network）提取候选框
黎国溥
07-24 5524
RPN全称是Region Proposal Network，也可理解为区域生成网络，或区域候选网络；它是用来提取候选框的。在RCNN和Fast RCNN等物体检测架构中，提取候选框的方法通常是传统的Selective Search，比较耗时。在Faster RCNN中，RPN专门用来提取候选框，这也是RPN第一次被使用；RPN耗时少。
区域生成网络---RPN(Region Proposal Network)
gyqJulius_Caesar的博客
11-29 970
https://blog.youkuaiyun.com/tony_vip/article/details/108827910
（RegionProposal Network)RPN网络结构及详解
热门推荐
凹酱的DEEP LEARNING
05-23 19万+
RPN(RegionProposal Network)区域生成网络 Faster-RCNN的核心。在这里整理。 1.anchors。 特征可以看做一个尺度51*39的256通道图像，对于该图像的每一个位置，考虑9个可能的候选窗口：三种面积{128,256,512}×{128,256,512}×三种比例{1:1,1:2,2:1}{1:1,1:2,2:1}。这些候选窗口称为anchors...
Region Proposal Networks 详解
qq314000558的专栏
08-26 7695
Region Proposal Networks是Faster RCNN出新提出来的proposal生成网络。其替代了之前RCNN和Fast RCNN中的selective search方法，将所有内容整合在一个网络中，大大提高了检测速度（语文水平差，所以历史科普请看其他文章T_T）。 缩进在正文前，还要多解释几句基础知识，已经懂的看官老爷跳过就好。 对于单通道图像+单卷积核做卷积，上一篇文章...
RPN：Region Proposal Networks (区域候选网络)
zbzcDZF的博客
03-15 1万+
区域建议网络（RPN）首先在faster rcnn中提出。 得到用来预测的feature map：图片在输入网络后，依次经过一系列卷积+ReLU得到的51×39×256维feature map，准备后续用来选取proposal。 生成Anchors：anchor是固定尺寸的bbox。具体作法是：把feature map每个点映射回原图的感受野的中心点当成一个基准点，然后围绕这个基准点选取k个不...
Region Proposal Network
beishang0031的博客
12-31 567
Region Proposal NetworkRegion Proposal Networkmmdet配置信息BackboneNeckHead Region Proposal Network 通常情况下的目标检测方法有两个分支，生成区域候选框，这在R-CNN网络中，选择用选择性搜索（selective search）来实现，但其计算成本高昂切需要人工调试，于是后续引入我们今天所要讨论的主角RPN（Region Proposal Network），它能帮助我们快速根据Anchor生成区域候选框，同时我们需要
个人学习笔记-计算机视觉篇-Faster R-CNN中的RPN（Region Proposal Network）
01-07
关于Faster R-CNN中的RPN网络 参考文献及资料： https://blog.youkuaiyun.com/lanran2/article/details/54376126 https://blog.youkuaiyun.com/qq_35451572/article/details/80095628 https://blog.youkuaiyun.com/u014586602/article/details/92796317 http://arxiv.org/abs/1506.01497 RPN网络是一个小型的卷积网络，作用是标定出疑似识别目标的框体交由后续处理。 参考Faster R-CNN论文中的原图（图一）
【SiamRPN】《High Performance Visual Tracking With Siamese Region Proposal Network》
最新发布
bryant_meng
05-20 1101
CVPR-2018商汤科技。
RPN(region proposal network的理解)
weixin_42445581的博客
06-19 3349
输入：任意尺寸的图像 输出：一系列包含物体的候选框 结构： Feature map的每个像素，映射回原输入图像得到一个中心点，每个中心点设置k个不同尺寸，不同大小的anchor box。所以一共有m*n*k个anchor box。以每个Feature map的中心做核大小为3*3的卷积，核个数为256，每个位置得到一个256维的向量。这个256维的向量作为后两个分支的共...
Python-使用PyTorch实现SiameseRegionProposalNetwork
08-11
使用PyTorch实现Siamese Region Proposal Network
（RegionProposal Network)RPN网络结构及详解 - 凹酱的DEEP LEARNING - 优快云博客1
08-04
（RegionProposal Network)RPN网络结构及详解 - 凹酱的DEEP LEARNING - 优快云博客1
Region Proposal Network(RPN)
shajie的博客
08-07 2161
RPN的工作过程：网络结构、原理、anchor的生成
RPN详解
qingmuluoyang的博客
12-03 7062
转载原文：https://blog.youkuaiyun.com/lanran2/article/details/54376126 ，这里的博客都挺好的，转载一下，留的 RPN全称是Region Proposal Network，Region  Proposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络； 1. RPN的意义 RPN第一次出现在世人眼中是在Fa...
RPN(Region Proposal Network)
qq_52038588的博客
10-09 1641
Fast RCNN -RPN论文笔记
RPN——Region Proposal Network
weixin_44364299的博客
03-06 238
Region Proposal:区域选取、提取候选框 RPN：用来提取候选框的网络 意义：把物体检测整个流程融入到一个神经网络中
RPN - region proposal network (区域选取网络)
qq_42220290的博客
05-22 1500
转：懒人元（侵删） 注：转自其他博客，仅供学习参考。 　　RPN全称是Region Proposal Network，RegionProposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络。 1. RPN的意义 　　RPN第一次出现在世人眼中是在Faster RCNN这个结构中，专门用来提取候选框，在RCNN和Fast RCNN等物体检测架构中，用来提取候选框的方法通常是Selective Search，是比较传统的方法，而且比较耗时，在CPU上要2s一..
深入理解Detectron 2 — Part 4 区域建议网络（Region Proposal Network）
zhuguiqin1的专栏
07-25 4464
Figure 1. Inference result of Faster (Base) R-CNN with Feature Pyramid Network. 嗨，我是计算机视觉研究员 Hiroto Honda¹[homepage] [twitter] 在这篇文章中，我想分享我对 Detectron 2 的了解——repo 结构、构建和训练网络、处理数据集等等。 2019 年，我使用Detectron 2所基于的 maskrcnn-benchmark 在 Open Images 竞赛 (ICCV 2...
Region Proposal Networks
CNV_2305
10-27 1万+
Region Proposal Networks RPNs 从任意尺寸的图片中得到一系列的带有 objectness score 的 object proposals。具体流程是：使用一个小的网络在最后卷积得到的特征图上进行滑动扫描，这个滑动的网络每次与特征图上n*n 的窗口全连接，然后映射到一个低维向量，例如256D或512D, 最后将这个低维向量送入到两个全连接层，即box回归层（box
深度学习之 RPN（RegionProposal Network）- 区域候选网络
fenglepeng的博客
06-15 3万+
RPN的本质是 “ 基于滑窗的无类别obejct检测器 ” : 对于提取候选框最常用的SelectiveSearch方法，提取一副图像大概需要2s的时间，改进的EdgeBoxes算法将效率提高到了0.2s，但是这还不够。候选框提取不一定要在原图上做，特征图上同样可以，低分辨率特征图意味着更少的计算量，基于这个假设，MSRA的任少卿等人提出RPN（RegionProposal Network, 区域候选网络），完美解决了这个问题，它的主要功能是生成区域候选（Region Proposal）(可以看做是许多潜在
Region Proposal Network（RPN）的proposal什么意思
06-10
在物体检测领域中，提出了一种基于深度学习的目标检测方法——Faster R-CNN。Faster R-CNN中提出了Region Proposal Network（RPN）模块，该模块负责生成候选区域（也称为proposal），即预测出一张图像中可能包含目标的区域，然后将这些候选区域送入后续的分类和回归模块中进行进一步的处理。 在RPN中，使用滑动窗口的方式在图像上提取多个不同大小和比例的锚点（anchor），然后对每个锚点进行二分类（前景或背景）和回归（调整位置）的预测，最终选取前景得分高的锚点作为候选区域。这些候选区域就是Faster R-CNN中的proposal。 因此，RPN中的proposal指的是一张图像中可能包含目标的区域，这些区域是通过RPN模块生成的，作为后续目标检测的输入。
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