FasterRCNN理解

RCNN系列的内容已经有非常多同学分享出来了，大多也非常详细。为了避免在长文中迷失方向，这里做个精简版的总结，记录个人的理解。主要是概括算法流程以及特点，方便回顾。先简单介绍下RCNN和Fast RCNN，在详细记录faster rcnn的RPN网络的理解。

RCNN:

流程
（1）. 采用传统方法Selective Search产生目标候选框
（2）. 对每个候选框，用深度卷积神经网络提取特征得到feature map
（3）. 每个框得到的feature map喂给SVM分类器，并通过线性回归调整bounding box的位置和大小，使得更接近 gt
缺点：
（1）CNN网络参数不共享
（2）采用SVM分类器，速度慢
（3）产生后选框ROI的大小不一样，这样导致CNN输出与FC维度不统一

总的来说，RCNN比较笨，比较慢，进而提出SPP-net。SPP-net用CNN一次性提取特征，并利用空间金字塔池化（spatial pyramid pooling）将大小不一致的proposal变成大小一样的

FasterRCNN理解相关推荐

FasterRcnn原理理解记录
fasterRcnn总的结构图图1 从图1可以看到,faster Rcnn的总体结构由以下几个部分组成: Conv layers Region Proposal Networks(RPN) RoI ...
Faster-R-CNN算法理解
faster-rcnn原理及相应概念解释 R-CNN --> FAST-RCNN --> FASTER-RCNN R-CNN: (1)输入测试图像: (2)利用selective sear ...
Faster-rcnn中Anchor的理解
文章目录 1,Anchor是如何生成的? 1.1 特征图如何得到 Anchor的生成过程 2,Anchor的作用是什么? 1,Anchor是如何生成的? 1.1 特征图如何得到假设对于网络输入的图像 ...
Faster-RCNN详解（个人理解）
1. Faster-RCNN的四个主要内容图1 Faster-RCNN基本结构如上图所示,整个Faster-RCNN模型可以分为四个模块: 1) Conv layers,特征提取网络输入为一张 ...
通俗理解faster-rcnn的rpn网络
其实rpn网络非常简单,只是被各种五花八门的人解读的比较玄学,下图中虚线下面部分就是rpn网络: 虚线上面是几个卷积池化,说白了就是提特征,在虚线这一层的上面会得到C个H*W的特征图,这个特征图大小是 ...
Linux终端运行fasterrcnn,对yolo与fasterrcnn anchors的理解
嵌入式&iOS:回调函数(C)与block(OC)传参/函数对比 C的回调函数: callBack.h 1).声明一个doSomeThingCount函数,参数为一个(无返回值,1 ...
对yolo与fasterrcnn anchors的理解
yolo: 通过聚类产生5个不同比例的anchors.最后一个特征层的输出(x,y,w,h)与这些不同比列的相乘,将网络层的输出转化为bbox(小尺寸),再通过(H,W)还原成原图大小.一共有5个bb ...
fasterrcnn中ROI Pooling 与 SPP 理解
介绍 ROI(Region of Interest) Pooling是Pooling的一种.在传统CNN中,Pooling层的作用主要有三个: 1.特征不变性,使模型更加关注是否存在某些特征而不是特征 ...
基于CNN目标检测方法（RCNN，Fast-RCNN，Faster-RCNN，Mask-RCNN，YOLO，SSD）行人检测，目标追踪，卷积神经网络
一.研究意义卷积神经网络(CNN)由于其强大的特征提取能力,近年来被广泛用于计算机视觉领域.1998年Yann LeCun等提出的LeNet-5网络结构,该结构使得卷积神经网络可以端到端的训练,并应 ...
目标检测之Faster-RCNN的pytorch代码详解(数据预处理篇)
首先贴上代码原作者的github:https://github.com/chenyuntc/simple-faster-rcnn-pytorch(非代码作者,博文只解释代码) 今天看完了simple- ...

FasterRCNN理解

FasterRCNN理解相关推荐

最新文章

热门文章