RCNN系列论文学习：RCNN、FastRCNN、FaterRCNN、MaskRCNN（包含IOU、NMS介绍）

最新推荐文章于 2025-10-21 22:45:00 发布
原创 最新推荐文章于 2025-10-21 22:45:00 发布 · 1.5k 阅读 · 7 ·
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 #卷积 #机器学习 #pytorch #神经网络

本文详细介绍了RCNN系列算法，包括RCNN、FastRCNN、FasterRCNN和MaskRCNN的发展历程与关键技术。探讨了候选区域生成、特征提取、边界框回归及实例分割等内容。

最近在看图像分割方面的东西，发现MaskRCNN里面有好多东西不是很理解，于是就打算简单梳理一下。找了很多博客，还有视频。这里简单记录一下。

RCNN

RCNN的英文是 Region based CNN或者说Region with CNN feature，也就是基于（候选）区域的卷积。RCNN可以说是利用深度学习进行目标检测的里程碑。
在这里插入图片描述

  1. 候选区域的生成：Selective Search，比如对图像简单分割处理后，对某些可能是物体的区域生成一些候选框。
  2. 对每个候选区利用深度卷积网络提取特征，例如：
    在这里插入图片描述
  3. 特征送入每一类SVM分类器，判断类别（这里20是20类）
    在这里插入图片描述

IOU和NMS

在这里插入图片描述
IOU就是：两个框的相交部分面积/相并部分面积。
**NMS简单说：**就是有两个候选框，预测概率得分都很高，但是两个框的iou超过了我设定的阈值，那么我认为这两个框表示的是同一个对象，我

最低0.47元/天 解锁文章
大话目标检测经典模型（RCNN、Fast RCNN、Faster RCNN）
qq_33287871的博客
10-04 1567
目标检测是深度学习的一个重要应用，就是在图片中要将里面的物体识别出来，并标出物体的位置，一般需要经过两个步骤： 1、分类，识别物体是什么 2、定位，找出物体在哪里 除了对单个物体进行检测，还要能支持对多个物体进行检测，如下图所示： 这个问题并不是那么容易解决，由于物体的尺寸变化范围很大、摆放角度多变、姿态不定，而且物体有很多种类别，可以在图片中出现多种物体、出现在任意位置。因此，目标检测是一个比较复杂的问题。 最直接的方法便是构建一个深度神经网络，将图像和标注位置作为样本输入，然后经过CNN网络，再.
R-CNN、Fast RCNN和Faster RCNN网络介绍
chase
08-02 7398
R-CNN、Fast RCNN和Faster RCNN网络介绍
论文精读：Mask R-CNN
qq_52053775的博客
07-15 3043
我们提出了一个概念上简单、灵活和通用的对象实例分割框架。
R-CNN详解
最新发布
qq_30150579的博客
10-21 1469
R-CNN详解
R-CNN(目标检测算法)介绍
Sea__c的博客
10-22 4465
因为一个框可以用四个值来表示（x,y,w,h）分别是框的中心点横坐标，中心点纵坐标，宽，高。由于物体标签训练数据少，如果要直接采用随机初始化CNN参数的方法,目前的训练数据量是不够的. 基于此，采用有监督的预训练，使用一个大的数据集（ImageNet )来训练AlexNet，得到一个1000分类的预训练（Pre-trained）模型。目标检测不仅需要确定目标的类别，还要找到目标在图像中的位置.由于各类目标不同的外观，颜色，大小以及在成像时光照，遮挡等具有挑战性的问题，目标检测一直处于不断的优化和研究中.
R-CNN论文详解（论文翻译）
热门推荐
Cheese的博客
05-08 11万+
faster-rcnn在深度学习领域算是一篇开创性的论文，对后续产生的而网络有很重要的意义，认真读懂这篇论文，相信也算是深度学习入门了 。今天又重新读了读faster-rcnn,整理了一份阅读笔记，整理的过程使自己对整个深度学习又有了更深的理解。果然论文还是应该多读几遍才能理解的。
RCNN系列论文
12-26
RCNN Fast-RCNN Faster-RCNN Mask-RCNN系列论文 RCNN Fast-RCNN Faster-RCNN Mask-RCNN系列论文
【RCNN系列】RCNN论文总结
capsule的博客
12-05 1610
【RCNN系列】 RCNN系列一些经典论文的总结。
精选资源
FastFCN-master_FastFCN：_fast-rcnn_wet2cf_源码
10-04
FastFCN，全称为Fast Fully Convolutional Network，是计算机视觉领域中一种高效、快速的全卷积网络结构。它在图像语义分割任务上表现突出，尤其在处理实时场景时，其速度优势尤为明显。FastFCN的出现，是对经典FCN...
物体检测--Mask_RCNN系列:(一)论文最详解读
Danbinbo的博客
07-15 1817
Mask-RCNN是ICCV2017的best paper，是何凯明大神的又一力作,Mask R-CNN是基于Faster R-CNN的基于上演进改良而来，FasterR-CNN并不是为了输入输出之间进行像素对齐的目标而设计的，为了弥补这个不足，我们提出了一个简洁非量化的层，名叫RoIAlign，RoIAlign可以保留大致的空间位置，除了这个改进之外，RoIAlign还有一个重大的影响：那就是它...
RCNN系列总结：RCNN -> Fast RCNN -> Faster RCNN概述
Francis Liu
02-09 4423
RCNN （参考：ref-1、ref-2） 传统的目标检测方法分为区域选择、特征提取（SIFT、HOG等）、分类器（SVM等）三部分，其主要问题有两方面： 区域选择策略没有针对性、时间复杂度高，窗口冗余； 手工设计的特征鲁棒性较差； RCNN ( Region-based Convolutional Neural Networks ) RCNN 创新点： 采用CNN提取图像特征，从经验...
R-CNN系列三篇论文英文原文
08-07
R-CNN系列三篇论文英文原文。从 R-CNN，SPP-net，到 Fast R-CNN，再到 Faster R-CNN，一路走 来，从流程上来说，基于深度学习的目标检测越来越精简；从精确度上来说，其 精确程度越来越高；从运行速度上来说，也越来越快。可以说基于候选区域的 R-CNN 系列的目标检测方法是当前目标检测技术领域最主要的一个分支。
RCNN系列论文及ppt
05-18
深度学习用在检测的开山之作！
Mask-RCNN(2) : 代码使用
@bangbang的博客
02-12 1826
当一个batch的长宽比率相差比较大的时候，我们真正输入网络的图片其实是很大的。，如果在验证的时候单张输入图片的话，那么我们输入网络的图片大小其实是和当前图片大小是一样的，此时我们对图片不需要太多处理。每隔10个epoch进行验证, 不过这样就没法获得保存每个epoch的验证结果，这样就没法根据每个epoch它的验证结果去绘制对应的曲线了。所以按照长宽比率进行排序之后，我们对它分组，然后再组内进行采样，这样我们输入网络的图片打包成batch它的大小会更小些，从而对。的，在目标检测中是没有使用到的。
R-CNN系列论文综述
Leong Blog
12-04 1072
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...
R-cnn家族论文
qq_41950533的博客
11-08 4021
《Rich feature hierarchies for accurate object detection and semantic segmentation》阅读笔记 0.基础知识 卷积feature计算 W：表示当前层Feature map的大小。 K：表示kernel的大小。 S：表示Stride的大小。 下一层Feature map的大小 =(W−K)/S+1 1.introduction R-CNN（region with CNN features），即region proposals（候选区
【论文阅读】RCNN论文详解
想当咸鱼的猫
11-04 2234
RCNN 1. 目标检测 目标检测是分类任务（bounding box中物体的类别）和回归任务（bounding box的大小及位置）的组合。 2. RCNN的贡献 根据Selective Search算法提取Region proposal候选区域 将每个Region proposal缩放到统一大小后，通过CNNCNNCNN提取固定大小的特征 将提取出的特征通过SVMSVMSVM进行分类 训练一个回归器，对bounding box边界框进行调整，使其接近ground truth真实边界框 3. Regi
rcnn论文
fffupeng的博客
05-11 393
面临的挑战： 1、目标检测窗口生成： 方法一：将检测任务作为回归问题 方法二：滑动窗 方法三：selective search 2、数据集较少 通过在大的数据集ILSVRC上进行有监督的预训练 测试模块的设计： 1、目标建议框的生成：selective search 2、特征提取：从每个建议区域227x227 提取到4096维特征。为了得到统一227x227图像，采用仿射变换。
R-CNN 系列论文简述 （DL）
ylin01234的博客
07-18 524
  R-CNN The Region-based Convolutional Network method (RCNN) achieves excellent object detection accuracy by using a deep ConvNet to classify object proposals. 1.1 Question Can CNN be used for obje...
评论 1
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