R-CNN系列学习笔记
迄今为止,我也没有用过R-CNN系列。。。看理论是一回事,实际用是另外一回事。
之前准备用,看理论时候的一些摘录笔记,都忘的差不多了。
实际用的时候,里面的每一个细节就很关键了,尤其是在自己项目需要的特定应用场景下。
细节包括理论细节和代码处理细节,都挺花时间,也都挺关键。
一文读懂目标检测:R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
https://cloud.tencent.com/developer/news/281788
R-CNN文章详细解读
https://www.jianshu.com/p/5056e6143ed5
R-CNN(Selective Search + CNN + SVM)
SPP-net(ROI Pooling)
Fast R-CNN(Selective Search + CNN + ROI)
Faster R-CNN(RPN + CNN + ROI)
R-CNN
先Selective Search许多候选框Region Proposal(比如两千个)-->CNN-->得到每个候选框的特征-->SVM分类--> box regression
(注意:每个候选框都要进行一次CNN)
Fast R-CNN (借鉴了SPPNet的思想,通过ROI Pooling的结构)
一张完整图片-->CNN-->得到Selective Search(原图)的每张候选框的特征-->多任务损失函数:softmax分类+边框回归
(注意:仍然要对原图进行Selective Search许多候选框Region Proposal。并把这些候选区域按照空间位置关系映射到最后的卷积特征层。)
Faster R-CNN
一张完整图片-->CNN-->Region Proposal Network(RPN)得到每张候选框的特征-->多任务损失函数:softmax分类+边框回归
Mask R-CNN
Fine-tuning
https://www.julyedu.com/question/big/kp_id/26/ques_id/2137
通常,前面的层提取的是图像的通用特征(generic features)(例如边缘检测,色彩检测),这些特征对许多任务都有用。后面的层提取的是与特定类别有关的特征,因此fine-tune时常常只需要Fine-tuning后面的层。
网络前几层学到的是通用特征,后面几层学到的是与类别相关的特征。
关于什么是边框回归,请参看本深度学习分类下第56题:https://www.julyedu.com/question/big/kp_id/26/ques_id/2139
SPP Net(spatial pyramid pooling layer)
ROI pooling layer实际上是SPP-NET的一个精简版,SPP-NET对每个proposal使用了不同大小的金字塔映射。
加入这个神奇的ROI Pooling层,对每个region都提取一个固定维度的特征表示,再通过正常的softmax进行类型识别。
ROI Pooling 与 SPP 理解:https://blog.csdn.net/qq_35586657/article/details/97885290
ROI Pooling是针对RoIs的Pooling,其特点是输入特征图尺寸不固定,但是输出特征图尺寸固定。
ROI Pooling的思想来自于SPPNet中的Spatial Pyramid Pooling,在Fast RCNN中使用时,将SPPNet中多尺度的池化简化了为单尺度。
ROI Pooling 与 SPP 的区别:
两者起到的作用是相同的,把不同尺寸的特征输入转化为相同尺寸的特征输出。SPP针对同一个输入使用了多个不同尺寸的池化操作,把不同尺度的结果拼接作为输出;而ROI Pooling可看作单尺度的SPP,对于一个输入只进行一次池化操作。
在Fast RCNN中, RoI是指Selective Search完成后得到的“候选框”在特征图上的映射。
在Faster RCNN中,候选框是经过RPN产生的,然后再把各个“候选框”映射到特征图上,得到RoIs。
Region Proposal Networks(RPN)
其实RPN最终就是在原图尺度上,设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的positive anchor,哪些是没目标的negative anchor。所以,仅仅是个二分类而已。
Feature Pyramid Network (FPN) (maskRNN中使用)
FPN的提出是为了实现更好的feature maps融合,一般的网络都是直接使用最后一层的feature maps,虽然最后一层的feature maps 语义强,但是位置和分辨率都比较低,容易检测不到比较小的物体。FPN的功能就是融合了底层到高层的feature maps ,从而充分的利用了提取到的各个阶段的特征(ResNet中的C2-C5)。
FPN是一种精心设计的多尺度检测方法。FPN实际上是一种通用架构,可以结合各种骨架网络使用,比如VGG,ResNet等。
物体探测的两类方法:
two stage 的目标检测算法是先由算法生成一系列作为样本的候选框,再通过卷积神经网络进行样本分类;
one stage 的目标检测算法。则不用产生候选框,直接将目标边框定位的问题转化为回归问题处理。
正是由于两种方法的差异,在性能上也有不同,前者在检测准确率和定位精度上占优,后者在算法速度上占优。
一文读懂Faster RCNN
https://zhuanlan.zhihu.com/p/31426458
令人拍案称奇的Mask RCNN
https://zhuanlan.zhihu.com/p/37998710
Code:
https://github.com/matterport/Mask_RCNN
https://github.com/facebookresearch/Detectron
R-CNN系列学习笔记相关推荐
- 深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-04-基于Python的LeNet之MLP
原文地址可以查看更多信息 本文主要参考于:Multilayer Perceptron python源代码(github下载 CSDN免费下载) 本文主要介绍含有单隐层的MLP的建模及实现.建议在阅读 ...
- lasso模型交替方向matlab_TCGA系列学习笔记(7)建模及模型评价
微信公众号:生信小知识 关注可了解更多的教程及单细胞知识.问题或建议,请公众号留言; TCGA系列学习笔记(7)建模及模型评价 内容目录 前言1. 背景知识1.1 Cox前提假设的验证1.2 lass ...
- 【冬察冬见】FFmpeg系列学习笔记
[冬察冬见]FFmpeg系列学习笔记 综述 FFmpeg是领先的多媒体框架, 能够解码. 编码. 转码. 混流. 解密. 流媒体. 过滤和播放人类和机器创造的几乎任何东西. FFmpeg的名称来自MP ...
- Pytorch训练Bilinear CNN模型笔记
Pytorch训练Bilinear CNN模型笔记 注:一个项目需要用到机器学习,而本人又是一个python小白,根据老师的推荐,然后在网上查找了一些资料,终于实现了目的. 参考文献: Caltech ...
- 状态机系列学习笔记01
状态机系列学习笔记01 有限状态机(FSM)概念 定义 总的来说,有限状态机系统,是指在不同阶段会呈现出不同的运行状态的系统,这些状态是有限的.不重叠的.这样的系统在某一时刻一定会处于其所有状态中的一 ...
- 深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-03-基于Python的LeNet之LR
原地址可以查看更多信息 本文主要参考于:Classifying MNIST digits using Logistic Regression python源代码(GitHub下载 CSDN免费下载) ...
- R语言学习笔记(三)多元数据的数据特征、相关分析与图形表示
文章目录 写在前面 独立性检验 χ2\chi^2χ2独立性检验 Fisher独立性检验 Cochran-Mantel-Haenszel χ2\chi^2χ2独立性检验 相关性分析 相关性检验 相关性检 ...
- R语言学习笔记(1~3)
R语言学习笔记(1~3) 一.R语言介绍 x <- rnorm(5) 创建了一个名为x的向量对象,它包含5个来自标准正态分布的随机偏差. 1.1 注释 由符号#开头. #函数c()以向量的形式输 ...
- R语言数据分析笔记——Cohort 存留分析
作者简介Introduction 杜雨,EasyCharts团队成员,R语言中文社区专栏作者,兴趣方向为:Excel商务图表,R语言数据可视化,地理信息数据可视化. 个人公众号:数据小魔方(微信ID: ...
- r语言c函数怎么用,R语言学习笔记——C#中如何使用R语言setwd()函数
在R语言编译器中,设置当前工作文件夹可以用setwd()函数. > setwd("e://桌面//") > setwd("e:\桌面\") > ...
最新文章
- 令牌桶算法和漏桶算法有什么区别_高并发之限流,到底限的什么鬼 (精品长文)...
- java虚拟路由器_Java实现模拟路由功能
- springboot使用redis(StringRedisTemplate的常用方法)
- HTML 中CSS 图像详解
- 通过srvctl add命令添加database信息到srvctl管理器
- MATLAB图形插入标题
- 基于神念TGAM的脑波小车(4)
- java发送163邮件
- iOS开发:Pokemon Go试玩,未越狱的iPhone伪造GPS定位信息
- 【笔记】Ubuntu 18.04 安装 PyQt4
- 目标跟踪 | 目标跟踪算法总结
- 梦幻手游网页版校验服务器失败,梦幻神域手游服务器验证失败进不去解决办法...
- android unity 瘦身,unity/unity3d编译成android apk包瘦身方法
- 有意思的hand-crafted features based IQA的论文吧2(图像质量评价)
- Word和Excel中的常用办公操作
- iOS something is trying to start the receiver simultaneously from more than one thread
- nextjs 添加子目录
- 基于Java Agent内存马
- 银行卡数据标签及其应用
- 关于爱情的四个寓言故事
热门文章
- 在Excel中世纪秒和时间字符串的转化
- Linux的文件管理
- flutter apk 打包
- pageX、clientX、screenX、offsetX、layerX、x
- OrchardHUN.TrainingDemo 学习记录(2)-Migration中,添加contentPart 和widget
- 一个实体对象不能由多个 IEntityChangeTracker 实例引用
- SQL Server 数据库连接字符串的声明
- Proteus模拟STM32F103R6微控制器之串口通信USART的方法
- 2020陕西高考全省理科最高分725、文科最高分700
- 上拉电阻和下拉电阻的作用详解