【深度学习 & 目标检测】R-CNN系列算法全面概述（一文搞懂R-CNN、Fast R-CNN、Faster R-CNN的来龙去脉）

最新推荐文章于 2025-02-20 23:18:04 发布
最新推荐文章于 2025-02-20 23:18:04 发布
阅读量1.6w 收藏 230
点赞数 78
分类专栏： 深度学习 文章标签： 深度学习 目标检测 人工智能 神经网络 计算机视觉 机器学习 图像处理
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/z135733/article/details/136005255
版权
本文详细介绍了R-CNN、FastR-CNN和FasterR-CNN这三个经典的深度学习目标检测算法，从候选区域生成、特征提取、分类与回归，到速度优化和训练过程，展示了它们在计算机视觉领域的重要地位。

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

🚀个人主页：为梦而生~ 关注我一起学习吧！
💡相关专栏：
深度学习 ：现代人工智能的主流技术介绍
机器学习 ：相对完整的机器学习基础教学！
💡往期推荐：
【机器学习基础】一元线性回归（适合初学者的保姆级文章）
【机器学习基础】多元线性回归（适合初学者的保姆级文章）
【机器学习基础】决策树（Decision Tree）
【机器学习基础】K-Means聚类算法
【机器学习基础】DBSCAN
【机器学习基础】支持向量机
【机器学习基础】集成学习
【机器学习 & 深度学习】神经网络简述
【机器学习 & 深度学习】卷积神经网络简述
💡本期内容：R-CNN系列算法是经典的two-stage的目标检测算法，相较于one-stage精度更高，但是速度略有下降。从R-CNN到Fast R-CNN和Faster R-CNN，整个思路是：候选框选取——特征提取——对候选框进行分类（判定类别）和回归（修正候选框位置）。R-CNN系列算法在目标检测领域有着重要的影响和应用，是计算机视觉领域的重要算法之一。

文章目录

0 前言

RCNN在2013年在目标检测领域首次使用深度学习和卷积神经网络，他与Alex net一起引爆了21世纪第二个十年计算机视觉领域的技术爆炸。

在这里插入图片描述

后续所有基于深度学习的目标检测——特别是两阶段目标检测算法。如Fast RCNN Faster R-CNN，都是在R-CNN上进行的迭代升级。

在这里插入图片描述

所以弄懂RCNN特别重要。甚至可以说，没弄懂RCN后边的算法根本就看不懂。

1 R-CNN

1.1 算法步骤

  1. 一张图像生成1K~2K个候选区域(使用Selective Search方法)
  2. 对每个候选区域，使用深度网络提取特征
  3. 特征送入每一类的SVM分类器，判别是否属于该类
  4. 使用回归器精细修正候选框位置

在这里插入图片描述

1.1.1 候选区域的生成

利用selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体。

在这里插入图片描述

1.1.2 提取特征

将2000候选区域缩放到227x227pixel，接着将候选区域输入事先训练好的AlexNet CNN网络获取4096维的特征得到2000×4096维矩阵。

在这里插入图片描述

1.1.3 判定类别

将2000×4096维特征与20个SVM组成的权值矩阵4096×20相乘,获得2000×20维矩阵表示每个建议框是某个目标类别的得分。分别对上述2000×20维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一些建议框。

在这里插入图片描述

进行非极大值抑制处理

在这里插入图片描述

1.1.4 精细修正候选框的位置

对NMS处理后剩余的建议框进一步筛选。接着分别用20个回归器对上述20个类别中剩余的建议框进行回归操作，最终得到每个类别的修正后的得分最高的bounding box。

在这里插入图片描述

如图，黄色框口P表示建议框Region Proposal，绿色窗口G表示实际框Ground Truth，红色窗口 G ^ \hat{G} G^表示Region Proposal进行回归后的预测窗口，可以用最小二乘法解决的线性回归问题。

1.2 算法总结

在这里插入图片描述

R-CNN算法可以分为以下步骤：

  1. 候选区域生成：利用Selective Search算法在每张图像上生成约2000个候选区域。这些候选区域被认为是可能包含目标的区域。
  2. 特征提取：将每个候选区域缩放为227×227，然后输入到预训练的CNN网络中，提取出4096维的特征向量。这一步将每个候选区域转换为固定大小的向量。
  3. 分类和回归：对于每个候选区域，使用SVM分类器进行分类，判断是否属于该类。然后使用回归器精细修正候选框的位置。

到后面我们会看到，这几个部分会不断融合，形成一个端到端的框架。

1.3 存在问题

  1. 测试速度慢:
    测试一张图片约53s (CPU)。用Selective Search算法提取候选框用时约2秒，一张图像内候选框之间存在大量重叠，提取特征操作冗余。
  2. 训练速度慢:
    过程及其繁琐
  3. 训练所需空间大:
    对于SVM和bbox回归训练，需要从每个图像中的每个目标候选框提取特征，并写入磁盘。对于非常深的网络，如VGG16，从VOC07训练集上的5k图像上提取的特征需要数百GB的存储空间。

2 Fast R-CNN

Fast R-CNN是作者Ross Girshick继R-CNN后的又一力作。同样使用vGG16作为网络的backbone，与R-CNN相比训练时间快9倍，测试推理时间快213倍，准确率从62%提升至66%(再Pascal voc数据集上)。

在这里插入图片描述

2.1 算法步骤

  1. 一张图像生成1K~2K个候选区域(使用Selective Search方法)
  2. 将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上获得相应的特征矩阵
  3. 将每个特征矩阵通过ROI pooling层缩放到7x7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果

在这里插入图片描述

2.2 与Fast R-CNN的区别

2.2.1 共享卷积层

一次性计算整张图像特征

R-CNN依次将候选框区域输入卷积神经网络得到特征。

Fast-RCNN将整张图像送入网络，紧接着从特征图像上提取相应的候选区域。这些候选区域的特征不需要再重复计算。

在这里插入图片描述

2.2.2 ROI pooling

不限制输入图像的尺寸，便于计算
统一缩放为7×7大小的特征图

在这里插入图片描述

2.2.3 分类器和边界框回归器

该网络的框架是这样的：

  • 首先将图像输入到CNN网络得到feature map
  • 再根据共享卷积层的映射关系对应到相应的特征矩阵
  • 之后通过ROI pooling层缩放为7×7大小的矩阵
  • 然后进行展平处理，在经过两个全连接层之后，得到feature vector
  • 在feature vector的基础上，再并联两个全连接层
  • 一个是分类器用于分类概率的预测，另一个回归器用于边界框回归参数的预测

分类器输出N+1个类别的概率（N为检测目标的种类,1为背景）共N+1个节点

在这里插入图片描述

边界框回归器输出对应N+1个类别的候选边界框回归参数(dx, dy, dw, dh)，共(N+1)x4个节点

在这里插入图片描述

回归的具体计算如下图所示：

在这里插入图片描述

p x , p y , p w , p h p_x,p_y,p_w,p_h px​,py​,pw​,ph​分别为候选框的中心x，y坐标，以及宽高
G ^ x , G ^ y , G ^ w , G ^ h \hat{G}_x,\hat{G}_y,\hat{G}_w,\hat{G}_h G^x​,G^y​,G^w​,G^h​分别为最终预测的边界框中心x，y坐标，以及宽高

在这里插入图片描述

2.2.4 损失函数

它的损失函数分为分类损失和边界框回归损失
在这里插入图片描述

  • p是分类器预测的softmax概率分布 p = ( p 0 , … , p k ) p=(p_0,…,p_k) p=(p0​
最低0.47元/天 解锁文章
目标检测算法综述R-CNN、SPPNet、Fast R-CNN、Faster R-CNN、SSD、YOLO___未完待续
cumtchw
04-14 246
参考文献： https://blog.youkuaiyun.com/v_JULY_v/article/details/80170182?utm_medium=distribute.pc_relevant.none-task-blog-2~default~BlogCommendFromMachineLearnPai2~default-2.control&dist_request_id=1331647.128.16183075360181787&a...
一文读懂Faster R-CNN目标检测
李响
11-03 448
目标检测就是将对目标的分割和识别合二为一，是一种基于目标几何和统计特征的图像分割。当需要在一个复杂场景中对多个目标进行实时处理时，目标的自动提取和识别就尤其重要。简而言之，目标检测与识别就是指从一张图片或一个场景中找出目标，而这其中包含检测和识别两个过程。 近几年，随着目标检测的兴起，越来越多的相关研究成果被发表在各大期刊，研究该领域的人逐渐增多，目标检测也相应地不断发展。由于传统的目标检测方法复杂度较高，窗口冗余，且手工设计的特征对于多样性的变化没有很好的鲁棒性。正好，基于深度学习的目标检测和识别能较好的
目标检测 | R-CNN、Fast R-CNN与Faster R-CNN理论讲解
houjingchuan的博客
05-29 7623
目标检测：R-CNN、Fast R-CNN与Faster R-CNN理论讲解，根据B站up霹雳吧啦Wz总结。此文章包含R-CNN算法原理讲解、Fast R-CNN算法原理讲解、Faster R-CNN原理讲解、目标检测评价指标介绍与特征金字塔网络FPN讲解。
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD。传统的目标检测算法、候选区域/窗 + 深度学习分类
Faster R-CNN ：模型结构详解
最新发布
Wei_sx的博客
02-20 1480
Faster R-CNN 的结构设计通过结合特征提取、候选区域生成、RoI处理以及目标分类和回归，大幅提高了目标检测的速度和精度。每个组成部分相辅相成，使得整个模型能够有效处理复杂的视觉场景，广泛应用于自动驾驶、视频监控和智能医疗等领域。
R-CNN（Region-CNN）、Fast R-CNN、Faster R-CNN学习笔记
biubiusion的博客
05-16 1458
R-CNN 是伴随着目标检测技术提出的一种模型； 目标检测要解决的问题是：找出物体的位置、判断是什么物体； 目标检测算法分为3类： 传统的目标检测算法，如 HOG+SVM 等； 候选区域+深度学习分类算法，如 R-CNN、Fast R-CNN 等； 基于深度学习的回归方法，如 YOLO、SSD 等。 传统目标检测算法存在的问题： 滑动窗口的区域选择没有针对性，时间的复杂度高，窗口冗余量大； 手工设计的特征对于多样性的变化没有很好的鲁棒性。 为了优化上述问题，提出了 R-CNN：预先找到目标
【深度学习】计算机视觉（CV）-目标检测-Faster R-CNN —— 高精度目标检测算法
IT古董
02-15 1570
Faster R-CNN（Region-based Convolutional Neural Network） 是 目标检测（Object Detection） 领域的一种 双阶段（Two-Stage） 深度学习方法，由 Ross Girshick 等人于 2015 年提出。相比于 YOLO（单阶段检测），Faster R-CNN 采用 区域提议网络（RPN, Region Proposal Network） 生成候选框，并使用 CNN 进行分类和回归，在 精度 上明显优于 YOLO 和 SSD，但速度
R-CNN算法详解
AI之路
06-03 2万+
这是一篇比较早的Object Detection算法，发表在2014年的CVPR，也是R-CNN系列算法的开山之作，网上可以搜到很多相关的博客讲解，本篇博文没有按论文顺序来讲述，而是结合自己经验来看这个算法，希望给初学者一个直观的感受，细节方面不需要太纠结，因为很多部分在后来的算法中都改进了。论文：Rich feature hierarchies for accurate object detect
基于深度学习的目标检测算法综述
SIGAI_优快云的博客
06-19 3万+
其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。 书的购买链接 书的勘误，优化，源代码资源 导言 目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是机器视觉领域的核 心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测 一直是机器视觉领...
Faster R-CNN论文笔记——FR
热门推荐
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-
RCNN系列算法
qq_42301955的博客
10-24 1468
R-CNN总结
R-CNN系列算法解读
Mzcc_bbms的博客
12-23 1315
Mask-RCNN算法详细解读R-CNN系列from R-CNN to Mask-RCNNsliding windows detectorSelective searchR-CNNFast R-CNNMask-RCNN R-CNN系列 from R-CNN to Mask-RCNN R-CNN Fast R-CNN Faster R-CNN FPN FPN + RPN + Fast R-CNN FPN + RPN + Fast R-CNN + Mask Prediction sliding window
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
2301_78398209的博客
04-19 1167
有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。换言之，这个网络层可以把不同大小的输入映射到一个固定尺度的特征向量，而我们知道，conv、pooling、relu等操作都不需要固定size的输入，因此，在原始图片上执行这些操作后，虽然输入图片size不同导致得到的feature map尺寸也不同，不能直接接到一个全连接层进行分类，但是可以加入这个神奇的ROI Pooling层，对每个region都提取一个固定维度的特征表示，再通过正常的softmax进行类型识别。
一文读懂物体检测(包括R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD物体检测)
Danbinbo的博客
09-21 2820
一文读懂物体检测(包括R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD物体检测) ...
RCNN(R-CNN、Region-CNN)网络，DL目标检测的先驱，Two-Stage代表网络
weixin_43331421的博客
07-01 1339
RCNN，第一个成功将深度学习应用到目标检测上的算法，可以说是利用深度学习进行目标检测的开山之作，是Two-Stage算法的代表，即先生成候选区域，再利用CNN进行识别分类。
[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现
A_John 的博客
05-08 3925
[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现 1、Regions with CNN features ； 2、R-CNN 详解 ； 3、R-CNN 复现 ； 近年来，目标检测性能在标准 PASCAL VOC 数据集上保持稳定 ； 性能最好的方法是复杂的集成系统（complex ensemble systems），通过将多个低维图像特征与高维背景结合 ； 利用 候选区域与 CNN 相结合 的方式，实现了平均精度（mAP）提高了30%以上 ；..................
【深度学习项目】带你一文读懂R-CNN（Region with CNN feature）
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
12-15 6463
R-CNN（Region-based Convolutional Neural Network）是目标检测领域的一个重要里程碑，它首次将深度学习技术成功应用于目标检测任务中。R-CNN由Ross Girshick等人于2014年提出，并在PASCAL VOC等多个基准数据集上取得了当时最佳的表现。
目标检测之R-CNN
cengjing12的博客
08-15 1051
RCNN (论文：Rich feature hierarchies for accurate object detection and semantic segmentation) 是将CNN方法引入目标检测领域， 大大提高了目标检测效果，可以说改变了目标检测领域的主要研究思路 RCNN https://github.com/rbgirshick/rcnn Fast RCNN https://github.com/rbgirshick/fast-rcnn Faster RCNN https://github
WINDOWS ADB安装
08-21
Windows ADB（Android Debug Bridge）是一个强大的工具，用于管理和调试Android设备。以下是安装步骤： 1. **下载adb文件**：首先，访问Google官方开发者网站(https://developer.android.com/studio/command-line/adb)下载`platform-tools`目录，通常包含`adb.exe`文件。 2. **添加到PATH环境变量**：将下载的`platform-tools`文件夹路径添加到系统的`Path`环境变量中。这使得在命令行中无需提供完整路径即可直接运行adb。 3. **验证安装**：打开命令提示符或PowerShell，输入`adb version`，如果ADB已成功安装，会显示出版本信息。 4. **连接设备**：如果你有USB线连接Android手机，可以使用`adb devices`检查是否检测到了设备。如果没有连接，需要先启用USB调试模式并连接电脑。 5. **更新驱动**：有时可能需要手动安装驱动程序，尤其是对于非标准或新品牌手机，可以从制造商网站获取。
评论 42
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

打赏作者

为梦而生~

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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