DL之R-FCN:R-FCN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之R-FCN:R-FCN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
目录
R-FCN算法的简介(论文介绍)
1、Motivation: Sharing is Caring
7、各种策略下的实验结果
R-FCN算法的架构详解
R-FCN算法的案例应用
相关文章
DL之R-FCN:R-FCN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之R-FCN:R-FCN算法的架构详解
R-FCN算法的简介(论文介绍)
Abstract
We present region-based, fully convolutional networks for accurate and efficient object detection. In contrast to previous region-based detectors such as Fast/Faster R-CNN [6, 18] that apply a costly per-region subnetwork hundreds of times, our region-based detector is fully convolutional with almost all computation shared on the entire image. To achieve this goal, we propose position-sensitive score maps to address a dilemma between translation-invariance in image classification and translation-variance in object detection. Our method can thus naturally adopt fully convolutional image classifier backbones, such as the latest Residual Networks (ResNets) [9], for object detection. We show competitive results on the PASCAL VOC datasets (e.g., 83.6% mAP on the 2007 set) with the 101-layer ResNet. Meanwhile, our result is achieved at a test-time speed of 170ms per image, 2.5-20× faster than the Faster R-CNN counterpart. Code is made publicly available at: https://github.com/daijifeng001/r-fcn.
摘要
我们提出了基于区域的全卷积网络,用于精确和有效的目标检测。与之前的基于区域的检测器(如Fast/Faster R-CNN)相比,我们的基于区域的检测器是完全卷积的,几乎所有计算在整个图像上共享。为了实现这一目标,我们提出了位置敏感的分数映射来解决图像分类中的平移不变性与目标检测中的平移方差之间的矛盾。因此,我们的方法可以很自然地采用完全卷积的图像分类器骨干,例如最新的ResNets[9]来进行目标检测。我们使用101层ResNet在PASCAL VOC数据集上显示了竞争结果(例如,在2007年的集上显示了83.6%的mAP)。同时,我们的结果在测试时的速度为每张图像170ms,比更快的R-CNN对应图像快2.5-20倍。代码公开提供:https://github.com/daijifeng001/r-fcn。
Conclusion and Future Work
We presented Region-based Fully Convolutional Networks, a simple but accurate and efficient framework for object detection. Our system naturally adopts the state-of-the-art image classification backbones, such as ResNets, that are by design fully convolutional. Our method achieves accuracy competitive with the Faster R-CNN counterpart, but is much faster during both training and inference. We intentionally keep the R-FCN system presented in the paper simple. There have been a series of orthogonal extensions of FCNs that were developed for semantic segmentation (e.g., see [2]), as well as extensions of region-based methods for object detection (e.g., see [9, 1, 22]). We expect our system will easily enjoy the benefits of the progress in the field.
结论及未来工作
提出了一种基于区域的全卷积网络,这是一种简单、准确、高效的目标检测框架。我们的系统自然采用了最先进的图像分类骨干,如ResNets,它的设计完全是卷积的。我们的方法达到了精度与更快的R-CNN竞争对手,但在训练和推理过程中都快得多。我们有意使本文中介绍的R-FCN系统保持简单。已有一系列针对语义分割的FCNs正交扩展(如[2]),以及基于区域的对象检测方法的扩展(如[9,1,22])。我们希望我们的系统能够很容易地从这一领域的进展中获益。
论文
Jifeng Dai, Yi Li, KaimingHe, Jian Sun.
R-FCN: Object detection via region-based fully convolutional networks. NIPS, 2016
https://arxiv.org/abs/1605.06409
1、Motivation: Sharing is Caring
对Faster R-CNN结构进行了改造,将RoI层之后的卷积都移到了RoI层之前,并利用一种位置敏感的特征图来评估各个类别的概率,在保持较高定位准确度的同时,大幅提高检测速率。
7、各种策略下的实验结果
1、AtrousConvolution技巧
•将ResNet-101的有效步幅从32像素降低到16像素,从而提高了得分图的分辨率。
•Conv4和之前的所有层(stride = 16)都保持不变; 将第一个conv5中的stride = 2修改为stride = 1
•Conv5的所有卷积滤波器都通过“带孔算法”(Algorithmeà rous)进行修改,以补偿减小的步幅。
The à troustrick improves mAPby 2.6 points.
2、Effect of Position Sensitivity on fully convolutional strategies
3、Standard Benchmarks: VOC 2007
4、Standard Benchmarks: VOC 2012
5、The Effect of Depth
当深度从50增加到101时,检测精度会增加,但是当深度达到152时,检测精度会变得饱和。
6、The Effect of Proposal Type
Works pretty well with any proposal method
Selective Search (SS) and Edge Boxes (EB)
R-FCN算法的架构详解
后期更新……
DL之R-FCN:R-FCN算法的架构详解
R-FCN算法的案例应用
后期更新……
DL之R-FCN:R-FCN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略相关推荐
- DL之FCN:FCN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之FCN:FCN算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 目录 FCN算法的简介(论文介绍) 0.FCN性能-实验结果 1.全卷积神经网络的特点.局限性.缺点 FCN算法的架 ...
- DL之PSPNet:PSPNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之PSPNet:PSPNet算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 目录 PSPNet算法的简介(论文介绍) 0.实验结果 PSPNet算法的架构详解 PSPNet算法的案 ...
- DL之DeepLabv2:DeepLab v2算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之DeepLabv2:DeepLab v2算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 目录 DeepLab v2算法的简介(论文介绍) 0.实验结果 1.DeepLab-v2 ...
- DL之DeepLabv1:DeepLabv1算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之DeepLabv1:DeepLabv1算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 目录 DeepLabv1算法的简介(论文介绍) 0.实验结果 1.FCN局限性及其改进 De ...
- DL之DeconvNet:DeconvNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之DeconvNet:DeconvNet算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 目录 DeconvNet算法的简介(论文介绍) 0.实验结果 DeconvNet算法的架构详 ...
- DL之SegNet:SegNet图像分割/语义分割算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之SegNet:SegNet图像分割/语义分割算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 导读 基于CNN的神经网络SegNet算法可进行高精度地识别行驶环境. 目录 SegN ...
- DL之DilatedConvolutions:Dilated Convolutions(膨胀卷积/扩张卷积)算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之DilatedConvolutions:Dilated Convolutions(膨胀卷积/扩张卷积)算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 目录 Dilated Con ...
- DL之ShuffleNetV2:ShuffleNetV2算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之ShuffleNetV2:ShuffleNetV2算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 目录 ShuffleNetV2算法的简介(论文介绍) 1.论文特点 2.基于硬件 ...
- DL之ShuffleNet:ShuffleNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之ShuffleNet:ShuffleNet算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 相关文章 DL之ShuffleNet:ShuffleNet算法的简介(论文介绍).架构详 ...
- DL之MobileNetV2:MobileNetV2算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之MobileNet V2:MobileNet V2算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 目录 MobileNetV2算法的简介(论文介绍) MobileNet V2算法 ...
最新文章
- Mybatis分库分表扩展插件
- (转)javascript实现导出Word、Excel
- Mask RCNN笔记
- 0基础半路转行学IT还来得及吗?
- 修改Linux用户配置之后先验证再退出
- java 移位 简书_js,java中的 无符号右移位符,左移位符,有符号右移位符
- flash cs4中3D特性之PerspectiveProjection属性设置
- 李江涛:使用Sakai构建开放式教学平台
- scratch优秀案例-双人足球对战赛
- 专利申请过程中的重要文件总结
- 威廉玛丽学院计算机教授刘旭,专栏-中国计算机学会
- 前端“智能”静态资源管理 - Onebox - 博客园
- 路由token验证和路由守卫~~狂徒李四
- nginx: worker process is shutting down
- 深剖C++内联函数和引用机制
- 状语从句不是简单句_简单句、复合句Gloria总结
- CSS 弹性盒子布局详解
- 数字化开采|AIRIOT智慧矿山自动化生产解决方案
- 将excel(xls/xlsx)转换成csv文件
- 深度优先和广度优先搜索
热门文章
- echarts柱状图 与轴不重叠_用Echarts做堆积的柱状图,当横轴为“time”类型时,都是从0开始显示,而不是叠加,为什么会这样?...
- python包里面的dll是什么_Python中的包ImportError
- 给table里面的添加图标_刺激!微信“变色”了!换个带quot;色quot;的图标吧
- 结构体中的malloc 与 free
- WCF 第二章 契约 单向操作
- 云原生生态周报 Vol. 8 | Gartner 发布云原生趋势
- 再谈java乱码:GBK和UTF-8互转尾部乱码问题分析
- Hadoop集群高可用及zookeeper+kafka组件搭建
- 亿级大表分库分表实战总结(万字干货,实战复盘)
- MySQL not exists 真的不走索引么?