Region-based Convolutional Networks for Accurate Object Detection and Segmentation----R-CNN论文笔记
来源:互联网 发布:火炬红包群 淘宝群 编辑:程序博客网 时间:2024/06/06 02:21
一、为什么提出R-CNN
目标检测性能停滞不前,性能最好的集成方法又太复杂,所以作者提出了一个既能大幅提升性能,又更简单的R-CNN。
二、R-CNN的框架
上面的框架图清晰的给出了R-CNN的目标检测流程:
1) 输入测试图像
2) 利用selective search算法在图像中提取2000个左右的region proposal。
3) 将每个region proposal变换(warp)成227x227的大小并输入到CNN,将CNN的fc7层的输出作为特征。
4) 将每个region proposal提取到的CNN特征输入到SVM进行分类。
针对上面的框架给出几点解释:
上面的框架图是测试的流程图,要进行测试我们首先要训练好提取特征的CNN模型,以及用于分类的SVM:使用在ImageNet上预训练的模型(AlexNet/VGG16)进行微调得到用于特征提取的CNN模型,然后利用CNN模型对训练集提特征训练SVM。
对每个region proposal缩放到同一尺度是因为CNN全连接层输入需要保证维度固定。
上图少画了一个过程——对于SVM分好类的region proposal做边框回归(bounding-box regression),边框回归是对region proposal进行纠正的线性回归算法,为了让region proposal提取到的窗口跟目标真实窗口更吻合。因为region proposal提取到的窗口不可能跟人手工标记那么准,如果region proposal跟目标位置偏移较大,即便是分类正确了,但是由于IoU(region proposal与Ground Truth的窗口的交集比并集的比值)低于0.5,那么相当于目标还是没有检测到。
三、R-CNN的优点
1)相对之前的算法,目标检测性能大幅提升。
四、R-CNN的缺点
1)训练分为多个阶段,步骤繁琐: 微调网络+训练SVM+训练边框回归器
2)速度慢: 使用GPU, VGG16模型处理一张图像需要47s。
3)训练耗时,占用磁盘空间大:5000张图像产生几百G的特征文件
五、R-CNN的适用场合
- 图像分类(image classification)
- 目标检测(object detection)
- Region-based Convolutional Networks for Accurate Object Detection and Segmentation----R-CNN论文笔记
- R-CNN:Region-based convolutional networks for accurate object detection and segmentation阅读笔记
- 【论文笔记】Region-based Convolutional Networks for Accurate Object Detection and Segmentation
- R-CNN论文笔记《Rich feature hierarchical for accurate object detection and semantic segmentation》
- Fast R-CNN: Fast Region-based Convolutional Networks for object detection
- Fast R-CNN: Fast Region-based Convolutional Networks for object detection(阅读)
- Fast R-CNN: Fast Region-based Convolutional Networks for object detection(阅读)
- 目标检测 R-CNN 论文笔记(Rich feature hierarchies for accurate object detection and semantic segmentation)
- 论文笔记 | R-FCN: Object Detection via Region-based Fully Convolutional Networks
- 论文笔记 R-FCN: Object Detection via Region-based Fully Convolutional Networks
- 【论文笔记】物体检测系列 R-FCN: Object Detection via Region-based Fully Convolutional Networks
- R-FCN: Object Detection via Region-based Fully Convolutional Networks 论文笔记
- 【转】R-CNN学习笔记2:Rich feature hierarchies for accurate object detection and semantic segmentation
- R-CNN学习笔记2:Rich feature hierarchies for accurate object detection and semantic segmentation
- 【笔记】R-CNN:Rich feature hierarchies for Accurate Object Detection and Segmentation
- [论文阅读]R-FCN: Object Detection via Region-based Fully Convolutional Networks
- [论文阅读]R-FCN: Object Detection via Region-based Fully Convolutional Networks
- R-FCN:Object Detection via Region-based Fully Convolutional Networks论文部分总结学习
- Ubuntu16.04 更改普通用户权限<1000:1000改为0:0>后只能guest身份进入系统
- ListView悬浮头布局
- (四) spring属性配置细节
- 人见人爱A-B
- HTTPS ConnectionSpec CertificatePinner
- Region-based Convolutional Networks for Accurate Object Detection and Segmentation----R-CNN论文笔记
- C语言基础 二维int型数组的定义及初始化
- redis之zmalloc
- 最小的K个数
- DFT与FFT 的直观感受
- linux 常用软件安装
- 杭电1028 整数划分问题 母函数
- 学习SpringMVC中优秀的代码编写风格
- 10Regular Expression Matching