【论文阅读笔记】Fast-RCNN

最新推荐文章于 2022-03-19 22:50:05 发布
原创 最新推荐文章于 2022-03-19 22:50:05 发布 · 398 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉

本文深入探讨了Fast-RCNN的工作原理，重点解释了其使用3*3卷积核如何实现大步长滑动，以及Anchors的设计与作用。Fast-RCNN的损失函数关注于anchor box与真实边界框的偏移回归，并通过使用log来稳定预测边长的精度。在分类后，通过非极大值抑制选择最有可能的提案区域进行类别预测。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.Fast-RCNN

Ren S, He K, Girshick R, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6):1137-1149.

 

因为使用3*3的卷积核在feature map 上以s步长进行滑动等于在输入图像上进行比s大很多的滑动，在论文中s=1,而约等于在输入图像上做步长为10的滑动。

Anchors: 其大小与形状与spatial window (卷积）的大小（n=3)无关

最低0.47元/天 解锁文章

200万优质内容无限畅学
论文阅读笔记 | 三维目标检测——PV-RCNN算法
Clichong
12-08 1819
基于voxel（paper中提到的是grid-based）的方法计算效率更高，但不可避免的信息损失降低了细粒度定位精度；而基于point的方法计算成本更高，但是通过PointNet++中的SA层（set abstraction layer）可以实现更大的感受野（这种说法是首次提出的）。 PV-RCNN的想法也是同时结合这两种方法的优势，取其所长，利用voxel-based操作进行有效的多尺度信息编码，生成高质量的3d候选框；同时利用改进的set abstraction模块操作保留精确的位置信息和灵活的感受
[深度学习论文笔记][CVPR 17 oral]A-Fast-RCNN： Hard Positive Generation via Adversary for Object Detection
KFXW的专栏
02-23 1612
这篇文章提出了一种新的对手生成策略，通过训练提升检测网络对遮挡、形变物体的识别精度。遮挡和形变是检测任务中影响模型性能的两个显著因素。增加网络对遮挡和形变的鲁棒性的一个方式是增加数据库的体量。但是由于遮挡的图片一般都处在图像分布的长尾部分，即便增加数据，遮挡和形变的图片仍是占比较少的部分。另一个思路就是使用生成网络产生遮挡和形变图片。然而遮挡和形变的情况太多，直接生成这些图片还是比较困难的事情。
Fast R-CNN
庆志的小徒弟
07-19 8902
目录 一、概括 二、Fast R-cnn框架介绍 三、主要内容 3.1 RoI pooling layer 3.2 从预训练网络中初始化 3.3 微调网络用来检测 3.4尺度不变性 四、训练过程/测试过程 4.1 训练过程 4.2 测试过程 参考资料 一、概括 在前面两篇帖子《R-CNN》和《Spatial Pyramid Pooling》中，我们知道R-CNN和...
论文笔记《Fast RCNN》
July's Pensieve
06-25 3080
Fast RCNN是加强版的SPPnet，SPPnet的细节可以参考这里，Fast RCNN相比于RCNN在时间和性能上都做了改进。它避免对一幅图片的多个proposal分别计算CNN特征（大量的重复计算），而是对整幅图提取CNN特征之后，再划分对应proposal，从而加提高了检测效率；同时对RCNN的pipeline方法做了一定整合，提升了检测性能。 1 论文信息发表会议：ICCV2015代码2
【目标检测】Fast RCNN算法详解
热门推荐
shenxiaolu1984的专栏
04-12 20万+
继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。
FAST-RCNN
chenaxin的博客
10-21 1667
  RBG的RCNN使用region proposal（具体用的是Selective Search Koen van de Sande: Segmentation as Selective Search for Object Recognition）来得到有可能得到是object的若干（大概10^3量级）图像局部区域，然后把这些区域分别输入到CNN中，得到区域的feature，再在feature上加上分类器，判断feature对应的区域是属于具体某类object还是背景。当然，RBG还用了区域对应的fea
py-faster-rcnn:py-faster-rcnn原始阅读笔记
03-23
阅读R-CNN系列论文笔记注解版，这里主要在CPU上运行，若要在GPU上运行修改回即可，从而改变了满足CPU运行测试： 1. config.py中修改 __C.USE_GPU_NMS = False 2. lib/fast_rcnn/nms_wrapper.py中注释 # from nms....
R-CNN系列论文笔记：Py-Faster-RCNN在CPU上的配置与运行
该框架的原始阅读笔记将为我们展示如何在CPU环境下配置和运行py-faster-rcnn，同时提供了将环境从CPU迁移到GPU的修改建议。接下来，我们将详细探讨这个框架的一些关键知识点。 ### py-faster-rcnn框架概述 py-...
(40)[ICCV15] Fast R-CNN
gdtop的个人笔记
04-08 786
计划完成深度学习入门的126篇论文第四十篇，微软的Ross Girshick研究的Obeject Detection的模型。[github] Abstract 提出了一种基于区域卷积网络的快速目标检测方法(Fast R-CNN)。Fast R-CNN建立在以前工作的基础上，使用深度卷积网络有效地分类object proposals。与之前的工作相比，Fast R-CNN在提高训练和测试速度的同...
Fast-RCNN(2015)
GY-赵的博客
03-19 3427
introduction Fast-RCNN (Fast Region based Convolutional Network)在之前的工作任务上建立了更有效的分类proposal，使用VGG16进行训练，比起RCNN快9倍，测试时间快213倍，比起SPPnet训练快3倍，测试快10倍。 深度卷积网络用于目标检测带来两个主要挑战： 大量候选目标位置（proposal）需要处理 这些候选仅仅提供了粗略的定位必须调整取得更精确的定位。 对比RCNN与SPPNet： Region-based Convolu.
fastRCNN
qq_35482604的博客
04-09 424
anchors 遍历Conv layers计算获得的feature maps，为每一个点都配备这9种anchors作为初始的检测框 那么Anchor一共有多少个？ (12996, 4) 38 *38 *9=12996
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值