Faster RCNN-阅读理解-笔记
2017-12-08 16:18
239 查看
论文:Faster-R-CNN-towards-real-time-object-detection-with-region-proposal-networks
翻译:http://blog.csdn.net/u011534057/article/details/51259812
理解参考:https://www.cnblogs.com/skyfsm/p/6806246.html
http://blog.csdn.net/u011534057/article/details/51247371
http://blog.csdn.net/shenxiaolu1984/article/details/51152614
http://blog.csdn.net/xyy19920105/article/details/50817725
http://blog.csdn.net/luopingfeng/article/details/51245694
创新点,核心技术:
使用RPN来进行候选框的确定,整个网络的流程如下:
区域建议网络
区域建议网络(RPN)将一个图像(任意大小)作为输入,输出矩形目标建议框的集合,每个框有一个objectness得分。和Fast R-CNN目标检测网络[15]共享计算.
在最后一个共享的卷积层输出的卷积特征映射上滑动小网络,这个网络全连接到输入卷积特征映射的nxn的空间窗口上。每个滑动窗口映射到一个低维向量上,这个向量输出给两个同级的全连接的层——包围盒回归层(reg)和包围盒分类层(cls).
在feature map上滑动窗口,建立一个神经网络用于物体分类以及框位置的回归,滑动窗口的位置提供了物体大致的位置,回归框可以使得位置更加精确.
一种网络,四个损失函数;
• RPN calssification(anchor good.bad)
• RPN regression(anchor->propoasal)
• Fast R-CNN classification(over classes)
• Fast R-CNN regression(proposal ->box)
重要贡献:
使用卷积神经网络进行候选区域的提取,替代了SS从而解决了fast RCNN中存在的速度瓶颈,极大的提升了检测的速度.
RCNN
1. 在图像中确定约1000-2000个候选框 (使用选择性搜索)
2. 每个候选框内图像块缩放至相同大小,并输入到CNN内进行特征提取
3. 对候选框中提取出的特征,使用分类器判别是否属于一个特定类
4. 对于属于某一特征的候选框,用回归器进一步调整其位置
Fast RCNN
1. 在图像中确定约1000-2000个候选框 (使用选择性搜索)
2. 对整张图片输进CNN,得到feature map
3. 找到每个候选框在feature map上的映射patch,将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层
4. 对候选框中提取出的特征,使用分类器判别是否属于一个特定类
5. 对于属于某一特征的候选框,用回归器进一步调整其位置
Faster RCNN
1. 对整张图片输进CNN,得到feature map
2. 卷积特征输入到RPN,得到候选框的特征信息
3. 对候选框中提取出的特征,使用分类器判别是否属于一个特定类
4. 对于属于某一特征的候选框,用回归器进一步调整其位置
翻译:http://blog.csdn.net/u011534057/article/details/51259812
理解参考:https://www.cnblogs.com/skyfsm/p/6806246.html
http://blog.csdn.net/u011534057/article/details/51247371
http://blog.csdn.net/shenxiaolu1984/article/details/51152614
http://blog.csdn.net/xyy19920105/article/details/50817725
http://blog.csdn.net/luopingfeng/article/details/51245694
创新点,核心技术:
使用RPN来进行候选框的确定,整个网络的流程如下:
区域建议网络
区域建议网络(RPN)将一个图像(任意大小)作为输入,输出矩形目标建议框的集合,每个框有一个objectness得分。和Fast R-CNN目标检测网络[15]共享计算.
在最后一个共享的卷积层输出的卷积特征映射上滑动小网络,这个网络全连接到输入卷积特征映射的nxn的空间窗口上。每个滑动窗口映射到一个低维向量上,这个向量输出给两个同级的全连接的层——包围盒回归层(reg)和包围盒分类层(cls).
在feature map上滑动窗口,建立一个神经网络用于物体分类以及框位置的回归,滑动窗口的位置提供了物体大致的位置,回归框可以使得位置更加精确.
一种网络,四个损失函数;
• RPN calssification(anchor good.bad)
• RPN regression(anchor->propoasal)
• Fast R-CNN classification(over classes)
• Fast R-CNN regression(proposal ->box)
重要贡献:
使用卷积神经网络进行候选区域的提取,替代了SS从而解决了fast RCNN中存在的速度瓶颈,极大的提升了检测的速度.
RCNN
1. 在图像中确定约1000-2000个候选框 (使用选择性搜索)
2. 每个候选框内图像块缩放至相同大小,并输入到CNN内进行特征提取
3. 对候选框中提取出的特征,使用分类器判别是否属于一个特定类
4. 对于属于某一特征的候选框,用回归器进一步调整其位置
Fast RCNN
1. 在图像中确定约1000-2000个候选框 (使用选择性搜索)
2. 对整张图片输进CNN,得到feature map
3. 找到每个候选框在feature map上的映射patch,将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层
4. 对候选框中提取出的特征,使用分类器判别是否属于一个特定类
5. 对于属于某一特征的候选框,用回归器进一步调整其位置
Faster RCNN
1. 对整张图片输进CNN,得到feature map
2. 卷积特征输入到RPN,得到候选框的特征信息
3. 对候选框中提取出的特征,使用分类器判别是否属于一个特定类
4. 对于属于某一特征的候选框,用回归器进一步调整其位置
相关文章推荐
- Faster R-CNN阅读笔记
- 论文阅读笔记:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
- 深度学习之Faster R-CNN阅读笔记
- Object Detection:R-CNN、Fast R-CNN、Faster R-CNN论文阅读笔记
- 阅读理解笔记(包含新题型):总结
- R-CNN系列阅读笔记(1): R-CNN
- CNN笔记:通俗理解卷积神经网络
- faster rcnn代码框架理解之后的体会与感悟
- 数据理解和预处理阅读笔记
- Deep Learning论文笔记之(五)CNN卷积神经网络代码理解
- DenseNet-阅读理解-笔记
- 深度学习阅读笔记(四)之卷积网络CNN
- 4000 【转】Faster RCNN代码理解(Python)
- Faster R-CNN论文笔记——FR
- ResNet-论文阅读理解-笔记
- 理解CNN、DNN、RNN(递归神经网络以及循环神经网络)以及LSTM网络结构笔记
- 【转】R-CNN学习笔记5:Faster R-CNN
- R-CNN,SSP-Net,fast-RCNN,faster-RCNN论文读后笔记
- 行为识别阅读笔记(paper+code):Real-time Action Recognition with Enhanced Motion Vector CNNs
- CNN笔记:通俗理解卷积神经网络