zchang81的博客

zchang81博客博文导航1、深度学习基础2、深度学习数据集3、深度学习目标检测4、TensorFlow学习笔记

主要介绍了通过Alternating Optimization是如何训练RPN网络的。

py-faster-rcnn使用experiments/scripts/faster_rcnn_alt_opt.sh脚本启动训练过程。在faster_rcnn_alt_opt.sh脚本中，调用tools/train_faster_rcnn_alt_opt.py接口

py-faster-rcnn训练脚本faster_rcnn_end2end.sh分析

pva-faster-rcnn编译cpu版本，在编译caffe的时候，遇到如下问题的解决办法

R-FCN+ResNet-50用自己的数据集训练模型(python版本)

Faster R-CNN 从2015年底至今已经有接近两年了，但依旧还是Object Detection领域的主流框架之一，虽然推出了后续 R-FCN，Mask R-CNN 等改进框架，但基本结构变化不大。同时不乏有SSD，YOLO等骨骼清奇的新作，但精度上依然以Faster R-CNN为最好。对于一般的通用检测问题（例如行人检测，车辆检测，文字检测），只需在ImageNet pre-train model上进行若干次 fine-tune，就能得到非常好的效果。

Faster rcnn相关文章研究

怎么来训练网络和之后的检测过程

读取接口的所有内容，主要步骤是：复制pascal_voc，改名字，修改GroundTruth和OP预选框的读取方式修改factory.py，修改数据库路径和获得方式__init__.py添加上改完的py文件

如何安装Fast RCNN环境，具体的流程在Ross Girshick的Github上有，他里面主要是讲解了如何安装和使用。我会稍微提到这一部分内容，主要讲解，如果要训练自己的数据，应该修改那些地方，并把我自己训练的过程跟大家分享一下。

从train_faster_rcnn_alt_opt.py进入。初始化参数：args = parse_args() 采用的是Python的argparse

faster rcnn默认有三种网络模型 ZF（小）、VGG_CNN_M_1024（中）、VGG16 （大）

faster rcnn默认有三种网络模型 ZF（小）、VGG_CNN_M_1024（中）、VGG16 （大）

pva-faster-rcnn是在py-faster-rcnn的基础之上，把cnn部分修改为pvanet网络。PVANET是目前目标检测算法比较好的实现，也是Region Proposal系列方法的一个新实现，目前达到了real-time的单张图像50ms，压缩后的模型达到了real-time的单张图像30ms

stage1_rpn_solver60k80k.pt配置详解

训练Fastrcnn网络二阶段

训练RPN网络二阶段

使用预训练的ImageNet模型和上一步产生的ROI初始化Fastrcnn网络

调用上一步训练得到的模型M1来生成proposal P1，在这一步只产生proposal

使用预训练的ImageNet模型初始化RPN网络。

anchor_target_layer.py主要功能是产生anchor,并对anchor进行评分等操作

主要内容是一个solver包装类，主要目的为了实现自己的snapshot。

imdb对象是一个pascol _voc的类实例，该类继承自imdb，用于数据交互。

近日，来自旷视和清华的研究者提出一种新型两步检测器 Light-Head R-CNN，改变两步检测器头重脚轻（heavy-head）的设计，实现速度和准确率的双重突破。