物体检测 faster rcnn
来源:互联网 发布:怎样做网络推广话术 编辑:程序博客网 时间:2024/04/28 10:06
转载自:http://blog.csdn.net/shuzfan/article/details/52662384
本次介绍人脸检测方法Faster R-CNN:
《2016 Arxiv: Face Detection with the Faster R-CNN》.
上面这篇文章,是对Faster R-CNN的人脸检测实现,原始的Faster R-CNN实现的是多目标检测,即下面这篇文章:
《2015 CVPR: Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》.
核心导读:
RPN(Region Proposal Networks) + Fast R-CNN
RPN负责找到可能的目标窗口,R-CNN负责进一步判断目标。
因为讲解Faster R-CNN的文章已经很多了,所以我这里就快速的切入几个要点。
———————————— RPN ————————————
RPN负责从一副输入图像中选出一些候选目标窗口,它的作用和古老的“Sliding Window”(滑动窗口)类似,但后者通常会在一幅图像上产生数以万计的窗口。
下面给出RPN的示意图:
输入: 一幅图像,尺寸
中间输出: conv feature map,大小
最终输出: 一是:classifier score map,大小为
二是:regression map, 大小为
Test的时候,我们可以根据score map以一定阈值选出候选窗口,然后以regression map来修正这些候选框。
显然,RPN的Loss包含了两个部分,分别是分类和回归:
其中,
———————————— Faster R-CNN ————————————
现在给出整体的结构图:
由上图可以看出,RPN负责提供候选窗口,R-CNN负责对这些窗口做进一步判断,一共是先后的两部分。
而且,两部分共用前面的所有的层,这样就通过参数共享大大减少了模型大小,从而提高了速度。
最后做目标确认的时候,使用了ROI-Pooling方法,即只pooling目标区域。
———————————— 训练策略 ————————————
另外还需要注意的就是训练策略了。
论文最终采用了“Alternating training”的训练策略,分为4阶段:
(1)训练RPN;
(2) 利用RPN产生的候选窗口来训练R-CNN;
(3)在(2)的基础上训练再次RPN,只不过保持共享层不训练;
(4)在(3)的基础上训练R-CNN分支,同时保持其它层不变。
- 物体检测 faster rcnn
- Faster-RCNN实现物体检测
- 物体检测与识别-Faster RCNN
- 物体检测之从RCNN到Faster RCNN
- 深度学习物体检测(四)——Faster-RCNN
- 物体检测系列之faster-rcnn原理介绍
- Nvidia Jetson TX2 运行Faster RCNN物体检测demo
- 深度学习 计算机视觉 物体检测 rcnn,fast rcnn,faster rcnn
- Faster-RCNN检测-RPN
- RCNN物体检测
- 物体检测-RCNN系列
- 物体检测-RCNN系列
- 多物体检测 RCNN
- 搭配deep leaning 中物体检测定位的py-faster-rcnn环境
- Faster-rcnn 训练陨石坑检测
- faster rcnn进行目标检测
- 行人检测之Faster-RCNN
- 【图像目标检测】Faster-RCNN
- 单元测试,在控制台输入测试值。
- 20款优秀的免费代码编辑器
- 网络判断(广播)
- SpringMVC文件上传 Excle文件 Poi解析并批量导入 MYSQL数据库
- 学习记录
- 物体检测 faster rcnn
- springMVC的forEach不能正常显示
- 关于opencv中Vector内存释放或者元素清空的问题
- springCloud学习03之api服务网关zuul反向代理及重试配置
- HDU 4649 Professor Tian(概率DP)
- 【JZOJ5237】【GDOI2018模拟8.7】最长公共子序列
- hdu 5185 Equation(dp题)
- FreeCodeCamp备查簿(2:#31-#60)
- C++ ----调用exe的函数