学习ROI Pooling的简单笔记

最新推荐文章于 2023-09-20 09:40:02 发布
最新推荐文章于 2023-09-20 09:40:02 发布
阅读量331 收藏 1
点赞数 1
CC 4.0 BY-SA版权
文章标签： 神经网络 机器学习 深度学习 计算机视觉
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。
本文链接：https://blog.youkuaiyun.com/yuanhaopeng123/article/details/111241470
本文详细介绍了目标检测中的regionproposal技术，包括selectivesearch算法，其通过层次聚类和多样化策略寻找潜在目标区域。接着讨论了ROIPooling的重要性，它允许在不同大小的特征图上进行池化，加速了训练和测试速度，并在目标检测系统中实现端到端训练。最后，提到了RoIAlign技术，该技术通过双线性插值避免了ROIPooling的量化损失，提高了定位精度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

region proposal

给定一张输入image找出objects可能存在的所有位置。这一阶段的输出应该是一系列object可能位置的bounding box。这些通常称之为region proposals或者 regions of interest（ROI），在这一过程中用到的方法是基于滑窗的方式和selective search。

selsective search

策略：既然是不知道尺度是怎样的，那我们就尽可能遍历所有的尺度好了，但是不同于暴力穷举，我们可以先得到小尺度的区域，然后一次次合并得到大的尺寸就好了，这样也符合人类的视觉认知。

selective search算法主要包含两个内容：Hierarchical Grouping Algorithm、Diversification Strategies

Hierarchical Grouping Algorithm：
（1）计算所有邻近区域之间的相似性；
（2）两个最相似的区域被组合在一起；
（3）计算合并区域和相邻区域的相似度；
（4）重复2、3过程，直到整个图像变为一个地区。

Diversification Strategies：多样化策略，使得抽象多样性
（1）利用各种不同不变性的色彩空间；
（2）采用不同的相似性度量； 相似性度量有：颜色相似度衡量，纹理相似度衡量，尺度相似度衡量，形状重合度衡量和最终相似度衡量
（3）通过改变起始区域。

ROI Pooling

就是将大小不同的feature map 池化成大小相同的feature map，利于输出到下一层网络中。

ROI Pooling的作用：
（1）用于目标检测任务
（2）允许对cnn中的feature map进行reuse
（3）加速training和testing速度
（4）允许end-to-end的形式训练目标检测系统。

ROI pooling具体操作如下：
（1）根据输入image，将ROI映射到feature map对应位置；
（2）将映射后的区域划分为相同大小的sections（sections数量与输出的维度相同）；
（3）对每个sections进行max pooling操作；

这样我们就可以从不同大小的方框得到固定大小的相应 的feature maps。值得一提的是，输出的feature maps的大小不取决于ROI和卷积feature maps大小。ROI pooling 最大的好处就在于极大地提高了处理速度
在这里插入图RIO描述

如图：在此案例中region proposals 是57大小的，在pooling之后需要得到22的，所以在57的特征图划分成22的时候不是等分的，行是5/2，第一行得到2，剩下的那一行是3，列是7/2，第一列得到3，剩下那一列是4。

ROI Pooling的工作原理见网址

https://www.cnblogs.com/wangyong/p/8523814.html
https://www.sohu.com/a/414474326_823210

ROI Pooling的量化操作使得有些数据丢失，量化实质上指小数取整操作。

针对ROI Pooling的量化操作，进行 RolAlign

RolAlign

在这里插入图片描述

假定采样点数为4，即表示，对于每个2.97*2.97的小区域，平分四份，每一份取其中心点位置，而中心点位置的像素，采用双线性插值法进行计算，这样，就会得到四个点的像素值，见图，四个红色叉叉‘×’的像素值是通过双线性插值算法计算得到的， 最后，取四个像素值中最大值作为这个小区域。

【YOLO】RoI Pooling 与 SPP 的核心区别详解
浩瀚之水的专栏
05-06 130
RoI Pooling（Region of Interest Pooling）和 SPP（Spatial Pyramid Pooling）都是用于处理不同尺寸输入的关键模块，但设计目标、应用场景和实现方式存在显著差异。
【深度学习笔记】全卷积网络FCN及 ROI Pooling 和 ROI Align 的区别
热情、奔放、快乐编程！
01-30 616
ROI Pooling：将RPN的浮点Bbox输出量化成整形；然后从feature map中裁剪出对应的ROI，并池化到指定大小ROI Align：直接使用RPN的浮点Bbox；将ROI等比例划分成多个cell，且cell的数目与最终要求的池化输出大小一致；从cell中随机采样一点数目的点（使用双线性差值计算浮点位置的特征），并进行池化得到该cell的输出。
ROI Pooling原理
Leo_whj的博客
03-10 361
ROI pooling具体操作如下： 根据输入image，将ROI映射到feature map对应位置； 将映射后的区域划分为相同大小的sections（sections数量与输出的维度相同）； 对每个sections进行max pooling操作； 这样我们就可以从不同大小的方框得到固定大小的相应 的feature maps。值得一提的是，输出的feature maps的大小不取决于RO...
RoI Pooling两次量化误差
shenjianhua005的专栏
05-31 923
参考：https://www.jianshu.com/p/670a3e42107d 候选框从原图坐标映射到的feature map坐标时，位置坐标可能存在浮点数，此时进行取整操作从而出现第一次量化；其次，在ROI Pooling求取每个小网格的位置时也同样存在浮点数取整的情况。这两次量化的结果都使得候选框的位置出现了偏差。 RPN推荐128个rois（对于原图的坐标），当和feature一起传入 Fast-RCNN时，rois的坐标会映射到 feature map上，按照缩放因子，rois坐标会缩.
note_三元量化中的Weight Grouping
wanghuiyu001的博客
09-20 350
三元量化中的 group 策略
ROI pooling层计算过程
qq_33466954的博客
05-28 2213
ROI pooling是简化版SPP，在Fast RCNN与Faster RCNN中使用。 ROI（单层）就是对SPP（三层）的简化： SPP具体结构： SPP层的具体结构如上图，使用三层ROI Pooling层组成的SPP层，分别设置将图片切分成(1,4,16)块。这里是采用了论文中的设置参数(1,4,16)； 将Selective Search算法提供的1000-2000个候选框的位置记录下来，然后通过比例映射到整张图像的feature map上，每个候选框得到一个自己的候选区域的特征图B,然后将B同时
目标检测之ROI Pooling及其改进
qq_37902216的博客
02-07 3024
一、什么是ROI Pooling ROI是Region of Intersect的简写，是指一张图的感兴趣区域，可以理解为目标检测的候选框也就是region of proposal，我们将原图进行特征提取的时候，就会提取到相应的特征图feature map。那么相应的ROI就会在feature map上有映射，这个映射过程就是ROI Pooling的一部分，一般ROI的步骤会继续进行max po...
Precise RoI Pooling（PrRoI Pooling）笔记
越野者的博客
05-27 8415
Precise ROI Pooling（PrRoI Pooling）方法由旷视科技于ECCV 2018上提出，作为他们的论文Acquisition of Localization Condence for Accurate Object Detection中的一部分。其主要思想如下：
roi-pooling学习笔记
小石子的博客
12-14 1336
roi-pooling背景介绍梯度反向传播max-pooling的前后向传播roi-pooling的前后向传播代码 背景介绍 卷积可以对任意图像进行，并变成任意大小，因为卷积需要训练的参数是卷积核，卷积核的大小一旦设定好就是固定不变的。但是进行判断时候，从卷积变线性回归的时候，就需要固定输入尺寸。因为线性回归的w和b会根据输入的大小而改变的。 为了解决含有线性回归需要固定输入，而对测试图片能任意输入（resize输入图片可能会使特征改变）。就提出了roi-poling。 roi-pooling的原理 梯度反
Faster RCNN算法学习笔记----整体结构、RPN原理、Roi pooling层
weixin_43227526的博客
08-28 693
Faster RCNN算法笔记 1、FasterRCNN网络整体结构 对于一张输入图片，将短边resize成600大小，输入到Faster RCNN特征提取网络中，提取出特征层feature map，将feature map输入到RPN网络中，生成一系列的候选框。RPN的核心思想是滑动窗口和anchor机制。将一系列的候选框输入到Roi pooling层中，利用候选框在feature map上进行截取，这些框转化成相同大小的section,最后通过全连接层进行分类预测和回归预测。 而且，在训练的过程中，Fa
ROI Pooling层详解
AUTO1993的博客
11-12 7万+
ROI Pooling层详解 原文链接：https://blog.deepsense.ai/region-of-interest-pooling-explained/ 目标检测typical architecture 通常可以分为两个阶段： （1）region proposal：给定一张输入image找出objects可能存在的所有位置。这一阶段的输出应该是一系列object可能位置
深度学习之 ROI Pooling
fenglepeng的博客
06-13 2万+
什么是ROI？ ROI是Region of interest的简写，指的是faster rcnn结构中，经过rpn层后，产生的proposal对应的box框。 ROIs Pooling顾名思义，是pooling层的一种，而且是针对ROIs的pooling。整个 ROI 的过程，就是将这些 proposal 抠出来的过程，得到大小统一的 feature map。 ROI Pooling 该层有两个输入： 从具有多个卷积核池化的深度网络中获得的固定大小的feature maps； 一个表示所有ROI的N*5的
机器学习入门——线性回归实现
小魚兒
04-12 301
机器学习入门：线性回归的实现参考于书籍《机器学习入门》 import numpy as np """ 这是线性回归算法的类，其中主要包括BGD、SGD、MBGD 三种梯度下降算法和正则方程方法这4种实现算法。在调整 梯度下降算法调整参数的损失函数为训练数据集的均方误差。 """ class LinearRegression(object): def __init__(self,input_data,realresult,theta = None): ..
【深度学习小知识】ROI到ROI pooling 再到ROI Align
Leomn_J的博客
09-10 8003
ROI！RoI Pooling！ROI详解RoI Pooling详解Pooling操作ROI poolingROI Align详解 ROI详解 Region of interest(ROI),中文译为感兴趣区域。在计算机视觉领域，从输入的图像中框选处理待处理的区域就是ROI。 ROI / Region proposals大致过程： 输入一张图片 在图片中找到物体/目标（objects）的所有位置 输出/获得这些一系列的objects的bounding box. RoI Pooling详解 Pooli
ROI Pooling层解析
热门推荐
lanran2的博客
03-03 11万+
ROI Pooling的意义 ROIs Pooling顾名思义，是Pooling层的一种，而且是针对RoIs的Pooling，他的特点是输入特征图尺寸不固定，但是输出特征图尺寸固定； 什么是ROI呢？ ROI是Region of Interest的简写，指的是在“特征图上的框”； 1）在Fast RCNN中， RoI是指Selective Search完成后得到的“候选框”在特征图上的映射
RoIPooling与RoIAlign的区别
kk123k的博客
01-20 1万+
一、RoIPooling与RoIAlign 1.1、RoIPooling 通过对Faster RCNN的学习我妈了解的RolPooling可以使生成的候选框region proposal映射产生固定大小的feature map 先贴出一张图，接着通过这图解释RoiPooling的工作原理  针对上图       1)Conv layers使用的是VGG16，feat_stride=3...
RoI Pooling 到底是如何运作的？轻松理解
史蒂夫方
07-24 7819
鉴于网上博客许许多多的例子都写的让人难以理解 我觉得既然分享了就要让人看的懂 那我就自己写一个能让初入目标检测的小伙伴都能懂的呗 借用一张图来表示整个RoI Pooling的架构 ps.为了比照原来设定比例， 我把32改成16 首先我们从左手边开始看起， 我们都知道Faster RCNN最一开始就是输入一张原图 那么这个例子中的原图就是800*800大小的 接着经过骨干网络VGG16的extra...
详解ROI-Pooling与ROI-Align
weixin_43750626的博客
09-21 1189
介绍ROI-Pooling与ROI-Align计算过程，从而分析两者区别
RoI Pooling与RoIWrap Pooling与RoIAlign Pooling与Precise RoI Pooling
m_buddy的博客
12-19 3976
1. 前言 文章标题给出了四种Pooling的方法，这feature pooling方法是我在看论文的时候看到的，从最开的PoI Pooling到目前最新的Precise RoI Pooling由Pooling操作带来的检测精度影响越来越小。这篇文章目的是想梳理一下它们之间的区别与联系。 2. RoI Pooling 这种Pooling方法我是在Faster RCNN中看到的，该种Pooling方...
RoI Pooling
最新发布
03-09
### RoI Pooling in Deep Learning for Object Detection Region of Interest (RoI) Pooling 是一种用于处理不同大小区域的技术，在目标检测中扮演重要角色。该操作允许网络接受任意形状的输入并将其转换成固定尺寸的特征图，从而可以应用于后续的标准全连接层或其他分类器。 #### 工作原理 给定一系列候选框（即感兴趣区域），这些候选框可能来自Selective Search 或者其他提议算法，对于每一个候选框，RoI pooling会执行如下操作： - 将候选框映射到卷积层输出的空间位置上； - 对应于每个候选框的位置被划分为相同数量的小块或子窗口； - 应用最大池化或者平均池化来提取每个子窗口内的特征向量；最终得到一组长度固定的特征向量作为下一层的输入[^1]。 这种机制确保了无论原始图像中的物体如何缩放和平移变换，都能获得一致维度的特征描述符，提高了模型对尺度变化和空间布局差异的容忍度。 ```python import torch.nn.functional as F def roi_pooling(input, rois, pooled_height, pooled_width): """Apply ROI Pooling to input tensor.""" # Assume `input` is a feature map with shape [batch_size, channels, height, width] # and `rois` contains the coordinates of regions. batch_size = input.size(0) num_rois = rois.size(0) outputs = [] for i in range(num_rois): roi = rois[i] start_h, end_h = int(round(roi[0])), int(round(roi[2])) start_w, end_w = int(round(roi[1])), int(round(roi[3])) region = input[:, :, start_h:end_h, start_w:end_w] out = F.adaptive_max_pool2d(region, output_size=(pooled_height, pooled_width)) outputs.append(out.view(batch_size, -1)) return torch.cat(outputs, dim=1) ``` 上述代码展示了如何实现自适应的最大池化版本的ROI Pooling函数。这里使用PyTorch库来进行张量运算，并利用内置的功能实现了灵活调整输出大小的能力。
评论 1
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