R-CNN&SPPNet
来源:互联网 发布:域名注册投资 编辑:程序博客网 时间:2024/06/05 18:52
参考:http://www.cnblogs.com/skyfsm/p/6806246.html
一。RCNN:
1、首先通过选择性搜索,对待检测的图片进行搜索出2000个候选窗口。
2、把这2k个候选窗口的图片都缩放到227*227,然后分别输入CNN中,每个候选窗台提取出一个特征向量,也就是说利用CNN进行提取特征向量。
3、把上面每个候选窗口的对应特征向量,利用SVM算法进行分类识别。
可以看到R-CNN计算量肯定很大,因为2k个候选窗口都要输入到CNN中,分别进行特征提取,计算量肯定不是一般的大。
二。SPPnet:
1、首先通过选择性搜索,对待检测的图片进行搜索出2000个候选窗口。这一步和R-CNN一样。
2、特征提取阶段。这一步就是和R-CNN最大的区别了,同样是用卷积神经网络进行特征提取,但是SPP-Net用的是金字塔池化。这一步骤的具体操作如下:把整张待检测的图片,输入CNN中,进行一次性特征提取,得到feature maps,然后在feature maps中找到各个候选框的区域,再对各个候选框采用金字塔空间池化,提取出固定长度的特征向量。而R-CNN输入的是每个候选框,然后在进入CNN,因为SPP-Net只需要一次对整张图片进行特征提取,速度是大大地快啊。江湖传说可一个提高100倍的速度,因为R-CNN就相当于遍历一个CNN两千次,而SPP-Net只需要遍历1次。
3、最后一步也是和R-CNN一样,采用SVM算法进行特征向量分类识别。
三。一个问题:
如何在feature maps中找到原始图片中候选框的对应区域?
因为候选框是通过一整张原图片进行检测得到的,而feature maps的大小和原始图片的大小是不同的,feature maps是经过原始图片卷积、下采样等一系列操作后得到的。那么我们要如何在feature maps中找到对应的区域呢?Mapping a Window to Feature Maps。作者直接给出了一个很方便我们计算的公式:假设(x’,y’)表示特征图上的坐标点,坐标点(x,y)表示原输入图片上的点,那么它们之间有如下转换关系:
(x,y)=(S*x’,S*y’)
其中S的就是CNN中所有的strides的乘积。比如paper所用的ZF-5:
S=2*2*2*2=16
而对于Overfeat-5/7就是S=12,这个可以看一下下面的表格:
需要注意的是Strides包含了池化、卷积的stride。自己计算一下Overfeat-5/7(前5层)是不是等于12。
反过来,我们希望通过(x,y)坐标求解(x’,y’),那么计算公式如下:
因此我们输入原图片检测到的windows,可以得到每个矩形候选框的四个角点,然后我们再根据公式:
Left、Top:
Right、Bottom:
- R-CNN&SPPNet
- SPPnet,Fast R-CNN和Faster R-CNN总结
- R-CNN SPPNet Fast r-CNN Faster R-CNN R-FCN 学习资源
- SPPNet
- SPPnet
- sppnet
- sppnet
- R-CNN
- R-CNN
- R-CNN
- R-CNN
- R-CNN、Fast-R-CNN和Faster-R-CNN
- R-CNN,Fast R-CNN,Faster R-CNN
- R-CNN,Fast R-CNN,Faster R-CNN
- Faster R-CNN(~ RPN + Fast R-CNN)
- Rcnn->Sppnet->Fast Rcnn->Faster Rcnn->R-FCN->Yolo
- R-CNN、FastR-CNN、Faster R-CNN论文笔记
- Faster R-CNN
- 【滴滴笔试】得到数组的最大子序列和
- python global and local variable
- java代码for循环实现:500人围成一圈,数3退一,求最后留下的人的最初位置
- quartz定时任务时间设置
- Spring Cloud 的 Hystrix 通过Fallback Factory 检查回退的错误原因
- R-CNN&SPPNet
- 第一周 leetcode算法题(easy)之 Two Sum
- 利用Scroller实现自己的滑动布局
- linux中文件I/O操作(系统I/O)
- 机器学习第十四课part1(Jensen不等式,最大似然估计回顾,Gaussian Mixture Model)
- 121. Best Time to Buy and Sell Stock
- Eclipse快捷键大全
- CentOS6.5环境下编译hadoop2.8.1源码
- Java经典面试题(6)