faster rcnn: 架构实现过程详细介绍
2017-06-18 21:14
483 查看
faster rcnn 相对与 fast rcnn 主要是将 selection search 变成了 rpn(region proposal network)网络来生成候选区域,这样就可以实现end to end training了。 本文主要介绍它的实现过程: image -> vgg (conv_1-5) - > rpn (1,conv_1x1 score; 2, conv_3x3 boxes regression) -> fc6 -> fc7 -> (score ; boxes regression) 所以主要介绍 rpn的实现过程,其余过程和 fast rcnn 是一样的; vgg conv_5后就是rpn net,有两个分支(two branch ),一个是产生每个位置的每个 anchor box 的score(只判断该anchor box是否包含物体bg/fg),另一个是产生相对应 anchor box 的相对位置偏移(具体计算见论文rcnn)。 rpn网络的训练过程: 原论文中讲了三种训练方法 (i) Alternating training. 交替训练: 首先训练RPN,再用其生成proposal训练Fast R_CNN。再将 Fast R-CNN网络的参数用作训练RPN网络的初始参数; 迭代该过程。 (ii) Approximate joint training. 联合近似训练:将RPN和Fast R-CNN放到一块训练,固定RPN的proposal,训练 Fast R-CNN 时再 pre-computed proposal;bp时 两个网络的loss是合并(相加)的。一个缺点是:不能忽略了RPN的 proposal boxes’ coordinates 的 responses; 所以是近似的。 (iii) Non-approximate joint training. 非近似联合训练:这种方法改进了(ii)的 proposal boxes’ coordinates 不参与BP的缺点,但这需要 Fast R-CNN 的 ROI pooling layar 可微,This is a nontrivial problem,可以利用“RoI warping”技术实现;具体在后面文章中有介绍。 training progress: 经过 net forward阶段,rpn 产生的anchors(anchor 种类 * scale 个数 * feature location 个数) 的score 和regression,去掉一些不符合要求的boxes, 再按score 排序,取 top N, , 然进行 nms(非最大化抑制)操作,去掉一些重叠率(overlap)的boxes,最后取 nms后的top N 与 ground truth 比较,classification score 和 boxes regression ,计算 loss, 该loss 只用于更新rpn 的参数;而fast rcnn 的loss 用于更新 除 rpn 外的其他参数;(各自的loss用于更新各自的参数) 注意: anchor 是一个一半正直,一半负值的矩阵,因为相对与anchor box central position 计算它与对应的 image position 的相加结果为 proposal region。stride=image/conv5 feature;
相关文章推荐
- OpenStack建立实例完整过程源码详细分析(15)----依据AMQP通信架构实现消息接收机制解析之二
- 深度学习之卷积神经网络CNN及tensorflow代码实现示例详细介绍(转载)
- Faster rcnn test浮点运算次数(卷积实现过程,Faster rcnn总体结构和参数)
- 深度学习之卷积神经网络CNN及tensorflow代码实现示例详细介绍
- OpenCv3.0架构的详细解释以及新增新功能的说明(当然OpenCv3.2.0中的很多新功能更加强大,比如CNN,DNN的实现)
- Faster RCNN 的py-faster-rcnn详细配置安装过程
- OpenStack建立实例完整过程源码详细分析(13)----依据AMQP通信架构实现消息发送机制解析之二
- OpenStack建立实例完整过程源码详细分析(14)----依据AMQP通信架构实现消息接收机制解析之一
- Faster R-CNN:详解目标检测的实现过程
- OpenStack建立实例完整过程源码详细分析(12)----依据AMQP通信架构实现消息发送机制解析之一
- 普遍介绍Fedora 挂载技术详细解说操作过程详解
- RAID的详细介绍及配置过程
- asp.net DropDownList无刷新ajax二级联动实现详细过程
- 适易信息管理系统架构、配置实现增删改查中工具类介绍
- 大型网站架构,详细介绍阶段性需求和解决方案
- Windows Phone 7 XNA 架构调用流程及第一视角实现介绍
- DES算法详细实例与实现过程解析
- 本文详细介绍利用SQL SERVER 2005数据库镜像实现可用性
- SQL2000系统表、存储过程、函数的功能介绍及应用2009年01月21日 星期三 11:38虽然使用系统存储过程、系统函数与信息架构视图已经可以为我们提供了相当丰富的元数据信息,但是对于某些特殊的元数据信息,我们仍然需要直接对系统表进行查询。因为SQL