RPN(Region Proposal Network)
RPN(Region Proposal Network)
学习RPN前最好先过一遍RCNN和Fast RCNN,本文的图来自原论文和bvBV1af4y1m7iL,有纰漏之处欢迎在评论区指出
RPN什么用?
RPN module tells the Fast R-CNN module where to look.
PRN takes an image of any size and predicts object bounds and object scores at each position.
RPN怎么生成region proposals?
ROI在原图上
在骨干网络输出的feature map上用一个小的n * n滑动窗口(filter,论文中n=3,ZF感受野:171,VGG感受野:228)滑动,
每个滑动窗口的输出特征会被降维成一维向量(ZF:256-d,VGG:512-d),
之后送进两个并联的FCN:box-regression layer(reg)和box-classfication layer(cls),filter大小为1*1。
接下来介绍anchors。
Anchors
在每个滑动窗口会同时预测多个region proposals,每个位置最多有k个anchor boxes(论文k=9),cls有2k个scores,reg有4k个coordinates。k个候选框是相对于k个参照框参数化的,参照框称为anchor(box)。
cls有2k个scores,reg有4k个coordinates(坐标)。
cls中每2个值为一组,对应一个anchor box,两个值一个是为背景的概率一个是为前景的概率。
reg中每4个值为一组,对应一个anchor box,4个值分别为中心坐标、box的宽和高。
anchor在滑窗的中心,anchor box的面积和高宽比有三种(见下图),所以在每个滑动的位置有k=9个anchor boxes(见下图)。对于一个大小为W * H的feature map,共有W * H * K个anchor boxes(filter=3 * 3,s=1,padding=1)。
size大于感受野也可以准确预测物体在实验中得到过验证的,类似窥一斑而知全豹。
上图9个anchor box
非极大值抑制
1.对候选框得分进行排序,选取最高分,遍历其他框,和最高分框重叠面积大于阈值就删除
2.从没处理的框中选取最高分,repeat
最后剩的2000个候选框给fast rcnn
Loss Function
1.为每个anchor分配一个binary class label来判断是不是要检测的物体。
正样本和负样本的采集(训练数据采样):
给两类anchor boxes分配正标签(正样本):
1.anchor box中和ground-truth box有最高的IoU。(情况比较少,但下面2的情况可能找不到一个正样本,1就后备使用)
2.anchor box和任意一个ground-truth box的IoU超过0.7。(情况多)
负样本:和任意一个ground-truth box的IoU低于0.3。
0.3-0.7之间的anchor boxes丢弃
2.RPN损失函数如下:
i:mini-batch中一个anchor的index
pi:第i个anchor是前景的预测概率
pi*:ground-truth label,当anchor box是正样本为1,负样本为0
ti:向量,表示第i个anchor的predicted bounding-box的参数化坐标,针对原图
ti*:表示第i个正anchor对应的ground-truth box
Ncls:mini-batch size,256
Nreg:anchor 位置个数(2400,不是anchor box的个数,anchor box个数还要乘上k)
λ:balancing parameter(?),=10
上式赋值后可以粗略化简
分类损失(图来自bvBV1af4y1m7iL):
回归损失:Lreg前乘上pi * 表示这个regression loss 只在正样本时使用(pi * =1)
对于边界框回归,4个参数化坐标转化关系示如下:
x、y、w、h分别代表predicted box(最终调整过的的box)的中心坐标、宽和高
xa、ya、wa、ha分别代表anchor box的中心坐标、宽高
x *、y *、w * 、h * 分别代表ground-truth box的中心坐标、宽高
平移量tx、ty、尺度因子tw、th都是直接通过回归器预测出来的predicted bounding-box,不是算的
获取完两个层的输出就可以算Loss反向传播了
边界框回归器见下图(用来回归修正predicted box):
用途:
this can be thought of as bounding-box regression from an anchor box to a nearby ground-truth box.
训练
RPN(Region Proposal Network)相关推荐
- 目标检测方法简介:RPN(Region Proposal Network) and SSD(Single Shot MultiBox Detector)
原文引用:http://lufo.me/2016/10/detection/ 最近几年深度学习在计算机视觉领域取得了巨大的成功,而在目标检测这一计算机视觉的经典问题上直到去年(2015)才有了完全使用 ...
- RPN(Region Proposal Network)提取候选框
前言 RPN全称是Region Proposal Network,也可理解为区域生成网络,或区域候选网络:它是用来提取候选框的. 目录 一.RPN的由来 二.RPN思路流程 三.feature map ...
- High Performance Visual Tracking with Siamese Region Proposal Network全文翻译
摘要 近年来,视觉对象跟踪一直是一个基本主题,许多基于深度学习的跟踪器在多个基准测试中取得了最先进的性能.然而,这些跟踪器中的大多数很难以实时速度获得最佳性能.在本文中,我们提出了 Siamese ...
- 论文阅读:Saliency-Guided Region Proposal Network for CNN Based Object Detection
论文阅读:Saliency-Guided Region Proposal Network for CNN Based Object Detection (1)Author (2)Abstract (3 ...
- High Performance Visual Tracking with Siamese Region Proposal Network 论文学习
文章目录 论文阅读总结 Translation Abstract 1 Introduction 2 Related Works 2.1 Trackers based on Siamese networ ...
- 走进VOT--《High Performance Visual Tracking with Siamese Region Proposal Network》阅读翻译
前言:siamRPN是Siamfc之后的又一突破.SiamFC的缺点: Siamese的方法只能得到目标的中心位置,但是得不到目标的尺寸,所以只能采取简单的多尺度加回归,这即增加了计算量,同时也不够精 ...
- CVPR 2018 Siam-RPN:《High Performance Visual Tracking with Siamese Region Proposal Network》论文笔记
理解出错之处望不吝指正. 本文模型叫做Siam-RPN.本文将Siamese Network和RPN结合,提出了一种端到端的离线训练方法,并把tracking过程视为one-shot detectio ...
- 目标检测中Regional Proposal到底是什么,RPN和Region Proposal、Proposals三者联系
候选区域-Region Proposal 目标检测是计算机视觉当中很重要的一个任务,不仅要识别出图像中包含物体的类别,还要对各个物体进行较精确的定位,定位的方式为给出一个包含该物体的框. 简单来说就是 ...
- Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks(更快的RCNN:通过区域提议网络实现实时)
原文出处 感谢作者~ Faster R-CNN: Towards Real-Time Object Detection with Region ProposalNetworks Shaoqing Re ...
最新文章
- 工业计算机是服务器吗,工控机服务器能通用吗_服务器和工控机有什么区别
- 处理android11以上无法删除相册图片的问题
- 函数参数-函数参数的使用以及作用
- mysql 5.5 主从同步_Windows下mysql5.5主从同步
- linux内存管理简介,Linux操作系统的内存管理特性简介 (3)
- 数据结构 算法与应用C 语言描述答案,数据结构算法与应用-C语言描述.pdf
- 程序员为什么爱穿格子衫和卫衣?
- 用CONVERT命令转换FAT到NTFS,合适吗?
- php 字母数字混合排序,JavaScript_基于JS实现数字+字母+中文的混合排序方法,在上篇文章给大家介绍了JavaScr - phpStudy...
- 避免无法预知和依赖于实现环境的行为
- HITS 算法(Hypertext Induced TopicSelection)
- 人口会一直增长下去吗_想要一直美下去?护肤雷区你避开了吗?
- android可以设计的软件,不懂APP如何设计?送你10条Android设计原则
- 流媒体相关资源下载地址(整理)
- 阿里2018届实习生内推经历
- Mysq连接l数据库有效文章
- noip 2015 pj 普及组 第四题 推销员 salesman
- 巴比特观察丨CryptoPunks再次爆火,幕后推手找到了!
- Res2Net 算法的介绍
- 自己刚学html的时候记得笔记,别嫌丑,我就是这么学过来的