对Region Proposal Network,RPN的理解
来源:互联网 发布:结构有限元分析软件 编辑:程序博客网 时间:2024/06/06 19:44
RPN的网络结构
从共享卷积特征图(若使用ZF,则为第五个卷积层,13*13)以卷积的方式(窗口大小为3*3)获得256维的特征向量,一共12*12个,每一个对应原图上171*171像素大小的区域。每一个256维的向量分别被送入两个全连接层,目标框回归层和目标分类层。
RPN引入Anchor机制。在共享卷积特征图的每一个滑窗位置有k个原图上的候选矩形区域,用于训练全连接层的不同回归模型。因此矩形框回归层有4k个输出,表达k个矩形的坐标,目标分类层有2k个输出,表达k个候选区是目标以及不是目标的概率。每个滑窗位置候选矩形区形状有9种,128*128,256*256,512*512三种面积大小,以及1:1,1:2,2:1三种长宽比。可以覆盖原图上各个位置,各个大小的目标。
阅读全文
0 0
- 对Region Proposal Network,RPN的理解
- Faster-Rcnn中RPN(Region Proposal Network)的理解
- Region Proposal Network
- 目标检测方法简介:RPN(Region Proposal Network) and SSD(Single Shot MultiBox Detector)
- Faster-RCNN和Region Proposal Network
- faster-rcnn中,对RPN的理解
- Region Proposal Networks
- Faster RCNN 中 RPN 的理解
- FasterRCNN算法:RPN层的深入理解
- detection/region/object proposal 方法综述文章
- detection/region/object proposal 方法综述文章
- 对A MultiPath Network for Object Detection论文的理解
- 深入理解 “vmalloc region overlap” 的问题
- RPN+RCNN的改进
- HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
- HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
- Python下使用 Region Proposal Method: Selective Search
- Faster RCNN详解:从region proposal到bounding box回归
- Deep Q-Learning深度增强学习算法
- 算法提高 ADV-95 字符串比较
- java 打印二维数组 Arrays.deepToString()的用法
- linux 调优 Linux内核参数详解
- java面向对象学习
- 对Region Proposal Network,RPN的理解
- 数的划分(NOIP2001&水题测试2017082401)
- 敏捷实践总结
- 启动wampserver,在localhost界面进入文件夹,网页不显示文件?
- java synchronized锁的对比
- python教程——python并发示例
- oracle函数
- DOM事件介绍2
- 算法提高 ADV-96 复数求和