美文网首页深度学习
【转载】目标检测之RCNN,fast RCNN,faster R

【转载】目标检测之RCNN,fast RCNN,faster R

作者: dopami | 来源:发表于2018-01-05 14:56 被阅读417次

    原文链接:http://www.cnblogs.com/sandy-t/p/7208568.html

    RCNN:

    候选区生成(Selective Search)。

    分割成2000左右的候选小区域

    合并规则:颜色、纹理相近,尺度均匀,合并后形状规则

    特征提取。

    归一候选区尺寸为227×227,归一方法。

    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

    预训练网络加上全连接层在分类数据集上预训练

    每一类使用SVM分类器

    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

    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。

    位置回归

    训练回归器输出x,y,d,h偏移量

    fast RCNN

    使用整张图片传入网络提取特征

    使用Selective search等方法得到候选区域,复用前面阶段的网络特征

    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)

    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。

    特征提取网络,VGG-16等。网络输出5139256维特征

    使用3种面积,3种长宽总共9种候选窗口,称为:anchor,如图:

    训练过程中有四种损失:

    区域生成网络的前后景分类损失(Object or not object)

    区域生成网络的区域位置损失(Bounding box proposal)

    Fast RCNN物体分类损失(Normal object classification)

    Fast RCNN区域位置损失(Improve previous Bounding box proposal)

    训练方式:

    轮流训练

    近似联合训练

    联合训练

    整个结构:

    有些人,一辈子都没有得到过自己想要的,因为他们总是半途而废

    相关文章

      网友评论

        本文标题:【转载】目标检测之RCNN,fast RCNN,faster R

        本文链接:https://www.haomeiwen.com/subject/opcsnxtx.html