• 目标检测之RCNN,fast RCNN,faster RCNN


    RCNN:

    1. 候选区生成(Selective Search)。
      1. 分割成2000左右的候选小区域
      2. 合并规则:颜色、纹理相近,尺度均匀,合并后形状规则
    2. 特征提取。
      1. 归一候选区尺寸为227×227,归一方法。
      2. 使用在imageNet上的分类网络作为预训练网络,预训练网络输出4096维特征
      3. 预训练网络加上全连接层在分类数据集上预训练
    3. 每一类使用SVM分类器
      1. 对预训练网络输出的4096维特征,使用多个SVM分类器进行判断
      2. 对于负样本过多的问题,使用hard negative mining,将重叠框小于阈值的作为负类。
    4. 位置回归
      1. 训练回归器输出x,y,d,h偏移量

    fast RCNN

    1. 使用整张图片传入网络提取特征
    2. 使用Selective search等方法得到候选区域,复用前面阶段的网络特征
    3. 对候选区使用Roi Pooling层规定尺寸图像(全连接层需要相同大小的输入)
    4. 输入到两个并行的全连接层中,分别计算损失

    例如:
    对于输入图像:

    候选区域:

    最后一个卷积层:

    放大

    归一尺寸的候选区域的特征:


    faster RCNN

    主要思想是使用最后一个卷积层来得到候选区域,faster RCNN相当于:候选区域生成网络+fast RCNN。

    1. 特征提取网络,VGG-16等。网络输出5139256维特征
    2. 使用3种面积,3种长宽总共9种候选窗口,称为:anchor,如图:
    3. 训练过程中有四种损失:
      1. 区域生成网络的前后景分类损失(Object or not object)
      2. 区域生成网络的区域位置损失(Bounding box proposal)
      3. Fast RCNN物体分类损失(Normal object classification)
      4. Fast RCNN区域位置损失(Improve previous Bounding box proposal)
    4. 训练方式:
      1. 轮流训练
      2. 近似联合训练
      3. 联合训练

    整个结构:

  • 相关阅读:
    php7.4 降级 php7.1 的坑
    python 记录网页 生成pdf
    Mac 安装常用软件环境
    python 2.7 操作 excel
    007整数反转
    006Z字形变换
    005最长回文子串
    004寻找两个正序数组的中位数
    003无重复字符的最长子串
    002两数相加
  • 原文地址:https://www.cnblogs.com/sandy-t/p/7208568.html
Copyright © 2020-2023  润新知