【论文笔记】Rich feature hierarchies for accurate object detection and semantic segmentation
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 , CVPR 2014 ?
是否开放代码:是 ,地址 :h ttp://www.cs.berkeley.edu/ ˜ rbg/rcnn
主要方法:
1. 采用 CNN 对图像中可能的目标进行提取特征, 2 ,由于用于检测的训练数据不够,所以采用 NIPS 2012 识别 那篇文章的训练好的参数作为初始参数(预训练),然后再利用训练数据进行微调( Fine -Turing )。因为是采用对 region proposal 进行提取特征放入 CNN ,所以把这个方法叫做 R-CNN 。
主要内容:
基于DPM的方法在检测上面这几年的效果提升不是很明显,很多都转向了DL的方法来做,CNN由LeCun 20年前就提出来了,它采用随机梯度下降法来进行求解BP,但是随后被SVM方法给取代成为主流,但是在2012年之后重新火了起来,成为计算机视觉DL的主要方法,主要的改进是:1.训练数据增多,计算能力增强(120万张训练数据),2. ReLU非线性函数的使用,3. Dropout的采用。
目标检测的两个主要方法:1. 采用回归目标窗口的方法,2.滑动窗口地方法;
主要测试过程:1. 给定一张图片,利用selective search方法来产生2000个候选窗口(大致类似于目标显著性)2.然后利用CNN进行对每一个候选窗口提取特征,特征长度为4096维度。 3.最后用SVM分类器对这些特征进行分类(每一个目标类别一个SVM分类器)
具体实现:作者利用了Caffe开源库,利用NIPS2012那篇的识别上面的网络结构参数作为用于检测的网络的初始参数(Pre-training),然后利用检测的训练数据进行微调(Fine-tuning)。而因为Caffe的网络输入图像的大小必须是要求一致的,所以先要对候选窗口进行简单的归一化(这里可能是最大的问题吧,不同的分辨率和不同的长宽比都归一化到一个大小,效果肯定会降低不少)。
其它细节:训练数据中正样本和负样本的选择,这里采用的是直接的与真实目标的重复部分的比重来确定是否为正样本,文章说正负样本的选择的阈值通过交叉验证来确定。
实验结果:1. 因为CNN的网络只需要一个,用来提取获选窗口的4096d的特征,SVM的分类器的参数个数为:4096*N,其中N为目标的类别个数,所以比较容易扩展目标类别数。2.文章说明在Poscal VOC上的检测率比最好的高了30%。
版权声明:本文为博主原创文章,未经博主允许不得转载。
【论文笔记】Rich feature hierarchies for accurate object detection and semantic segmentation相关推荐
- 论文笔记——Rich feature hierarchies for accurate object detection and semantic segmentation
最近在看一些目标检测的论文,本文是经典的R-CNN(Regions with CNN features),随之产生的一系列目标检测算法:RCNN,Fast RCNN, Faster RCNN代表当下目 ...
- 论文解读 | Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation
论文地址:Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation GitHub地址: http ...
- 目标检测经典论文——R-CNN论文翻译:Rich feature hierarchies for accurate object detection and semantic segmentation
Rich feature hierarchies for accurate object detection and semantic segmentation--Tech report (v5) 用 ...
- 【论文精读】Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation(R-CNN)
论文Title:Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation.发表于2014年. 本 ...
- 目标检测--Rich feature hierarchies for accurate object detection and semantic segmentation(CVPR 2014)
Rich feature hierarchies for accurate object detection and semantic segmentation 作者: Ross Girshick J ...
- 【RCNN】《Rich feature hierarchies for accurate object detection and semantic segmentation 》
2014 CVPR 之前刚开始接触目标检测算法的时候,老是分不清deep learning中,物体检测和图片分类算法上的区别,弄得我头好晕,终于在这篇paper上,看到了解释.物体检测和图片分类的 ...
- RCNN详细介绍 Rich feature hierarchies for accurate object detection and semantic segmentation
Rich feature hierarchies for accurate object detection and semantic segmentation Publisher: CVPR 201 ...
- 论文精读:R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation...
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) ...
- Rich feature hierarchies for accurate object detection and semantic segmentation
Abstract 在过去几年中,在标准PASCAL VOC数据集上测量的目标检测性能保持稳定.性能最好的方法是复杂的集成系统,通常将多个低级图像特征与高级上下文相结合.在本文中,我们提出了一种简单且可 ...
- 【R-CNN】Rich feature hierarchies for accurate object detection and semantic segmentation (2014) 全文翻译
作者 Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik (UC Berkeley, {rbg,jdonahue,trevor,ma ...
最新文章
- NeurIPS 2020放榜,接收率史上最低!AC:低接收率带不来有趣的论文
- 线上讲座丨罗杰:前沿——NISQ时代下的工程超导量子计算机
- Expression Blend学习动画基础
- 【SaltStack官方版】—— STORING JOB RESULTS IN AN EXTERNAL SYSTEM
- Knative Serverless 之道:如何 0 运维、低成本实现应用托管?
- 学生党专用计算机,开学在即何必纠结?学生党专用显卡推荐
- HDU多校1 - 6955 Xor sum(字典树+贪心)
- linux 卸载lv,Linux 软件安装、卸载、查询
- Linux部署动态网页,linux构建动态WEB服务器安装篇
- fork()调用使子进程先于父进程被调度
- si_meminfo获取当前系统物理内存使用情况
- pytorch中gather函数的理解
- 穷小子做网站赚钱终得丈母娘认可
- 字典dictionary
- jpa 原生sql 查询返回一个实体_JPA查询--使用原生sql 并且把查询结果转为实体对象...
- Ubuntu18.04更换清华源
- kickstart_2018_round_H_C Let Me Count The Ways
- Windows XP sp3上可以安装SQL Server 2008企业版?
- 人智导(二):启发式搜索
- android方向传感器 指南针,Android 方向传感器的两个应用:指南针和水平仪