R-CNN（Rich feature hierarchies for accurate object detection and semantic segmentation）

最新推荐文章于 2024-04-26 21:45:01 发布
原创 最新推荐文章于 2024-04-26 21:45:01 发布 · 469 阅读 · 2 ·
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。

R-CNN是一种基于CNN的目标检测算法，通过使用CNN特征提取和SVM分类器显著提高了VOC2012数据集上的mAP。算法包括候选区域提取、特征提取、分类和边界框回归四个步骤。预训练的CNN用于处理候选区域，以解决数据稀疏问题。测试时采用非极大抑制策略，训练时采用hard negative mining增强分类器性能。附加部分探讨了不同图像变换对结果的影响，以及正负样本的选择对SVM和Softmax的不同影响。

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

Abstract

以往的目标检测算法不仅效果不好而且原理复杂，RCNN是一种简单并且可扩展的算法，在VOC2012数据集上mean average precision (mAP)提高了30%。RCNN主要使用了两个方法：（1）使用CNN代替传统的特征提取方法来对候选区进行定位和分割（2）对于目标检测任务来说数据量是稀少的，所以采用了预训练CNN的策略。

Introduction

特征问题，最初是利用SIFT和HOG并利用复杂的ensemble系统的方法，后来由于基于生物上的视觉处理过程，由SIFT引入CNN，以及近些年CNN以成为主流算法（所以我得找个时间把上面得传统特征提取算法原理过一遍~）。由于近些年CNN在图像分类任务上表现优异，本文作者就试图把图像分类任务扩展到目标探测上来，实验表明利用CNN得优势相比传统算法，在目标探测算法上取得了更好得效果。

定位问题和图像分类是不同的，其中，定位问题的一种解决办法是被视为回归问题，然而当时！这种方法取得效果并不好，另一种方法是利用滑窗的思想；相反，RCNN原理是对候选区进行识别。算法流程如下：

                     

图像处理流程：

(1) 以整张图像作为输入

(2) 图去大约2000个候选区域

(3) 对每个候选区域利用CNN网络进行特征提取

(4) 利用特定类的线性SVM分类器对特征进行分类

此外需要注意的是，因为CNN需要相同维度的输入，所以要对候选区域进行reshape，但这样以来就会使目标对象变得扭曲进而丢失了其真实状态，对算法识别及泛化性方面有影响。在数据量稀少的情况下，为了防止模型过拟合会采用预训练的策略，目的是获得一个良好的初始化参

最低0.47元/天 解锁文章

200万优质内容无限畅学
zzh0908
关注
R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation
xbcReal的博客
07-24 966
阅读这篇博客之前建议先阅读R-CNN之前的准备：Efficient Graph-Based Image Segmentation 以及R-CNN之前的准备：Selective Search for Object Recognition，这两篇博客讲的内容都是R-CNN的重要组成部分，先阅读他们可以帮助更好理解R-CNN。       首先上图，说明R-CNN的组成。该图表示的是R-CNN模型在测试
【论文精读】【RCNN】Rich feature hierarchies for accurate object detection and semantic segmentation
weixin_44184852的博客
03-04 1581
近年来，目标检测性能停滞不前。性能最好的系统是将多个低级图像特征与来自目标检测器和场景分类器的高级上下文相结合的复杂集成。本文提出了一种简单且可扩展的目标检测算法，该算法比PASCAL VOC 2012上以前的最佳结果相对改进了30%。我们通过两种思路实现了这一成绩。第一种是将高表示能力卷积神经网络应用于自下而上的候选框，以便定位和分割目标。第二个是训练的范例-当标记的训练数据稀缺时，训练大型CNN。
RCNN学习笔记(1):Rich feature hierarchies for accurate object detection and semantic segmentation
热门推荐
Focusing on your own Mind :) －> 站在巨人的肩膀上
04-22 3万+
rcnn主要作用就是用于物体检测，就是首先通过selective search 选择2000个候选区域，这些区域中有我们需要的所对应的物体的bounding-box，然后对于每一个region proposal 都wrap到固定的大小的scale,224*224,对于每一个处理之后的图片，把他都放到CNN上去进行特征提取，得到每个region proposal的feature map,这些特征
rcnn学习笔记:Rich feature hierarchies for accurate object detection and semantic segmentation
HAHA的专栏
03-08 6748
Rich feature hierarchies for accurate object                                  detection and semantic segmentation、         rcnn主要作用就是用于物体检测，就是首先通过selective search 选择2000个候选区域，这些区域中有我们需要的所对应的物体的b
(R-CNN)Rich feature hierarchies for accurate object detection and semantic segmentation
chenaxin的博客
10-21 537
论文地址：https://arxiv.org/abs/1311.2524   图片分类不需要定位，而物体检测需要定位出物体的位置，也就是相当于把物体的bounding box检测出来，还有一点物体检测是要把所有图片中的物体都识别定位出来。 摘要   在标准的PASCAL VOC 数据集上测量的对象检测性能在过去几年已经稳定。最佳性能的方法通常是一个复杂的混合系统，它通常将多个低级图像特征与高级上下文组合起来。在本文中，我们提出了一个简单和可扩展的检测算法，相对于以前在VOC2012上的最佳结果(实现mAP
R-CNN(Rich feature hierarchies for accurate object detection and semantic segmentation)
青山牌洗衣机的博客
01-11 2289
R-CNN，即Regions with CNN features, 是目前比较流行的目标检测中Region Proposal+CNN框架的基础，之后的Fast-RCNN、Faster-RCNN都是以它为基础。R-CNN的出发点在于"Features matter"，不同于传统的回归方法，R-CNN是用分类方法来解决目标检测问题。很多传统特征可以用图片经过CNN后得到的feature map表示，其
Rich feature hierarchies for accurate object detection and semantic segmentation论文笔记
qq_58739479的博客
04-18 1107
文献的研究目的是为了提高对象检测和语义分割的准确性，特别是在PASCAL VOC这样的标准数据集上。研究的核心是提出一种名为R-CNN（Regions with CNN features）的新型算法，该算法通过结合区域提议和卷积神经网络（CNN）来实现更精确的对象定位和分类。研究方法包括以下几个关键步骤：1. **区域提议提取**：- 使用自底向上的方法，如Selective Search，从图像中提取可能包含对象的区域提议。这些提议作为后续处理的输入。
笔记二 | Rich feature hierarchies for accurate object detection and semantic segmentation
weixin_45581089的博客
01-17 605
分为三个部分 第一部分 region proposal 方法 selective search 第二部分 Feature extraction 从每个region proposal中提取4096维的特征向量 【方法】the Caffe implementation of the CNN Krizhevsky等人 网络传播 在进行特征提取前，需要先将每个建议框调整到227×227 第三部分 训练 SVM训练 ...
目标检测论文阅读 RCNN Rich feature hierarchies for accurate object detection and semantic segmentation
最新发布
qq_45738761的博客
04-26 823
在实际应用中，通常是选取固定大小的滑动窗口来提取HOG特征，对于一个64×128的图像窗口，每8×8个像素组成一个cell，每2×2个cell组成一个block，一共有105个block，因此该图像的窗口特征维数为105×36=3780。首先，你需要随机初始化参数，然后开始训练网络，不断调整直到网络的损失越来越小。由于事先并不知道物体在图片的哪个位置，为了避免漏检，我们应该对图片中尽量多的 region 进行搜索，于是有了暴力搜索算法：定义多个大小不同的窗口，在图像上滑动检测，但是这种方法的复杂度极高。
【深度学习论文笔记】Rich feature hierarchies for accurate object detection and semantic segmentation
1983的专栏
07-25 2万+
文章：《Rich feature hierarchies for accurate object detection and semantic segmentation》 作者：Ross Girshick Jeff Donahue Trevor Darrell Jitendra Malik 单位：UC Berkeley ，CVPR2014？ 是否开放代码：是 ，地
Rich feature hierarchies for accurate object detection and semantic segmentation
woyaopojie1990的专栏
08-20 8985
学习笔记之《Rich feature hierarchies for accurate object detection and semantic segmentation》
论文精读：R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation...
qq_52053775的博客
05-22 1585
1.论文核心 我们提出了一种简单且可扩展的检测算法，相对于之前对VOC2012的最佳结果，它将平均平均精度(mAP)提高了30%以上——实现了53.3%的mAP。我们的方法结合了两个关键的见解：（1）可以应用高容量卷积神经网络(CNN)自底而上的地区建议为了定位和分段对象和 （2）标记训练数据稀缺，监督预训练辅助任务，其次是特定领域的微调，产生显著的性能提升。由于我们将区域建议与CNN结合起来，我们称我们的方法为R-CNN：具有CNN特征的区域。 2.主要内容 2.1 Abstract
Rich feature hierarchies for accurate object detection and semantic segmentation（译）
u013488563的专栏
12-19 3768
精准的目标检测和语义分割下的丰富的特征层次结构 摘要：在最近几年，目标检测性能正如在经典的PASCAL VOC数据集上经过测试提到的那样，已经趋于稳定。最好的性能方法是复杂的集成系统，通常典型的做法是将多重低层的图像特征与高层的上下文（context）相结合。在这篇论文里，我们提出一个简单而且可扩展的检测算法，这种算法提高了平均精度(mAP:mean average precision )，并且
R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation(阅读)
深藏功与名
10-06 2003
终于有闲暇梳理一下检测这个系列，R-CNN大家应该都很熟悉，看流程图就知道内容不是很多，主要是一个开创性的检测工作。 在阅读论文中会有一些概念简称 1）CNN：Convolutional Neural Networks  2）FC：Fully Connected 3）IoU：Intersection over Union （IoU的值定义：Region Proposal与Ground
R-CNN: Rich feature hierarchies for accurate object detection and semantic segmentation Tech report
TheWaySoFar
03-29 735
Abstract Region with CNN = R-CNN datasets: PASCAL VOC 创新点: (1) 将大容量的CNN应用于定位和检测任务中 (2) 对于训练数据缺乏时, 监督预训练作为辅助任务, 接着进行特别域的微调 1. Introduction 简述CNN发展 问分类任务中的CNN多大程度可以应用于目标检测? 我们通过缩小图像分类和目标检测之间的差距来回答这个...
论文总结——R-CNN(Rich feature hierarchies for accurate object detection and semantic segmentation)
weixin_46266147的博客
04-19 489
前些天在学习如何使用YOLO，稍微抽空补一下理论知识。这里简要总结一下。 详情参看原论文：Rich feature hierarchies for accurate object detection and semantic segmentation 简介&思路概述 R-CNN将CNN用于精确目标检测（以及语义分割），并且取得了很大的成果（比它之前的方法精确度提高了30%），为之后的很多应...
目标检测--Rich feature hierarchies for accurate object detection and semantic segmentation(CVPR 2014)...
weixin_30511039的博客
11-23 173
Rich feature hierarchies for accurate object detection and semantic segmentation 作者:Ross Girshick Jeff Donahue Trevor Darrell Jitendra Malik 引用:Girshick, Ross, et al. "Rich feature hierarchies for...
论文解读：R-CNN《Rich feature hierarchies for accurate object detection and semantic segmentation》
要相信光
08-17 1564
文章目录原文地址论文阅读方法初识（Abstract & Introduction & Conclusion）相知（Body）2. Object detection with R-CNN2.1 Module design2.2 Test-time detection2.3 Training2.4 Results on Pascal VOC 2010-122.5 Results on ILSVRC2013 detection3.Visualization, ablation and modes
R-CNN: Rich feature hierarchies for accurate object detection and semantic segmentation by Ross Girshick, et al. (2014)在哪里下载
06-09
你可以在以下网址下载 R-CNN 论文的 PDF 版本： - https://arxiv.org/pdf/1311.2524.pdf - https://www.cv-foundation.org/openaccess/content_cvpr_2014/papers/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.pdf 这两个网址分别是论文作者在 arXiv 和 CVPR 网站上发布的论文。你可以从这些网址下载到论文的 PDF 版本。如果你遇到问题，请尝试使用搜索引擎来查找相关信息，或者联系学术网站的支持团队以获取帮助。
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