0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

常見經(jīng)典目標(biāo)檢測(cè)算法:R-CNN、SPP-Ne

要長(zhǎng)高 ? 來源:網(wǎng)絡(luò)整理 ? 作者:網(wǎng)絡(luò)整理 ? 2022-12-06 16:38 ? 次閱讀

目標(biāo)檢測(cè)是指在視頻或圖片序列中把感興趣的目標(biāo)與背景區(qū)分,是在圖像中確定目標(biāo)是否存在且確定目標(biāo)位置的過程,是計(jì)算機(jī)視覺領(lǐng)域中的主要研究方向。

目標(biāo)檢測(cè)主要應(yīng)用于人臉識(shí)別、無人駕駛、指控和安防等領(lǐng)域,起到人工智能賦能傳統(tǒng)應(yīng)用的作用。目標(biāo)檢測(cè)的核心是算法。目前,目標(biāo)檢測(cè)算法主要分為兩大類,第一類是基于手工設(shè)計(jì)特征的傳統(tǒng)算法,第二類是基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法。

常見經(jīng)典目標(biāo)檢測(cè)算法

經(jīng)典目標(biāo)檢測(cè)算法有R-CNN、SPP-Net、Fast R-CNN和R-FCN等。

R-CNN:在CVPR 2014年中Ross Girshick提出R-CNN。R-CNN的全稱是Region-CNN,是第一個(gè)成功將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測(cè)上的算法。用CNN提取出Region Proposals中的featues,然后進(jìn)行SVM分類與bbox的回歸。

完整R-CNN結(jié)構(gòu)是不使用暴力方法,而是用候選區(qū)域方法(region proposal method),創(chuàng)建目標(biāo)檢測(cè)的區(qū)域改變了圖像領(lǐng)域?qū)崿F(xiàn)物體檢測(cè)的模型思路,R-CNN是以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的物體檢測(cè)的模型 ,R-CNN在當(dāng)時(shí)以優(yōu)異的性能令世人矚目,以R-CNN為基點(diǎn),后續(xù)的SPPNet、Fast R-CNN、Faster R-CNN模型都是照著這個(gè)物體檢測(cè)思路。

SPP-Net:SPP-Net是一種可以不用考慮圖像大小,輸出圖像固定長(zhǎng)度網(wǎng)絡(luò)結(jié)構(gòu),并且可以做到在圖像變形情況下表現(xiàn)穩(wěn)定。SPP-net的效果已經(jīng)在不同的數(shù)據(jù)集上面得到驗(yàn)證,速度上比R-CNN快24-102倍。SPPNet在R-CNN的基礎(chǔ)上提出了改進(jìn),通過候選區(qū)域和Feature,map的映射,配合SPP層的使用從而達(dá)到了CNN層的共享計(jì)算,減少了運(yùn)算時(shí)間,后面的FastR-CNN等也是受SPPNet的啟發(fā)。

Fast R-CNN:FastR-CNN的訓(xùn)練速度是R-CNN的9倍,測(cè)試速度是R-CNN的213倍;即使和SPP-Net相比,F(xiàn)ast R-CNN的訓(xùn)練速度和測(cè)試速度,也分別有了3倍和10倍的提升。相比R-CNN,F(xiàn)ast RCNN仍然使用selective search選取2000個(gè)建議框,但是這里不是將這么多建議框都輸入卷積網(wǎng)絡(luò)中,而是將原始圖片輸入卷積網(wǎng)絡(luò)中得到特征圖,再使用建議框?qū)μ卣鲌D提取特征框。這樣做的好處是,原來建議框重合部分非常多,卷積重復(fù)計(jì)算嚴(yán)重,而這里每個(gè)位置都只計(jì)算了一次卷積,大大減少了計(jì)算量。

R-FCN:R-FCN,全稱為“Region-based fully convolutional network”。

R-FCN的網(wǎng)絡(luò)結(jié)構(gòu)如下圖,同F(xiàn)aster RCNN比起來,它有2點(diǎn)不同。

(1)Shared convolutional subnetwork不同。Faster RCNN是把RPN得到的RoI直接映射到Resnet101的最后一個(gè)卷積層(2048個(gè)channels),而R-FCN將Resnet101的最后一個(gè)卷積層映射到具有?個(gè)channels的特征層,作者將該特征層稱之為“position-sensitive score maps”,然后把RoI映射到該特征層;

(2)RoI-wise subnetwork不同。Faster RCNN的subnetwork經(jīng)過了全連接層做特征組合,然后執(zhí)行分類和坐標(biāo)回歸的雙任務(wù),R-FCN基于pool和vote操作后得到的特征向量,執(zhí)行分類任務(wù)。

文章綜合信息安全與通信保密雜志社,位俊超,江南綿雨,博客園,Drift,diligent_321

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 算法
    +關(guān)注

    關(guān)注

    23

    文章

    4629

    瀏覽量

    93204
  • 目標(biāo)檢測(cè)
    +關(guān)注

    關(guān)注

    0

    文章

    211

    瀏覽量

    15654
收藏 0人收藏

    評(píng)論

    相關(guān)推薦

    基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法解析

    本節(jié)主要將近年來基于候選區(qū)域的目標(biāo)檢測(cè)算法分為五個(gè)部分進(jìn)行綜述,首先介紹了Faster R-CNN[14]框架的發(fā)展歷程,然后綜述了對(duì)Faster R-CNN
    發(fā)表于 01-09 10:52 ?1228次閱讀

    PowerPC小目標(biāo)檢測(cè)算法怎么實(shí)現(xiàn)?

    檢測(cè)系統(tǒng)在低功耗、輕小型化等方面提出了更高的要求。因此,完成小目標(biāo)檢測(cè)任務(wù)不僅需要尋求合理的小目標(biāo)檢測(cè)算法,在實(shí)現(xiàn)時(shí)還需要考慮處理性能和體積
    發(fā)表于 08-09 07:07

    基于YOLOX目標(biāo)檢測(cè)算法的改進(jìn)

    ,基于 RCNN 改進(jìn)的 Fast R-CNN、Faster R-CNN 等在檢 測(cè)速度和精度上獲得進(jìn)一步提升,逐漸成為了目標(biāo)檢測(cè)的首選方法。R-C
    發(fā)表于 03-06 13:55

    介紹目標(biāo)檢測(cè)工具Faster R-CNN,包括它的構(gòu)造及實(shí)現(xiàn)原理

    在本篇文章中,公司的研究人員介紹了他們?cè)谘芯窟^程中所使用的先進(jìn)目標(biāo)檢測(cè)工具Faster R-CNN,包括它的構(gòu)造及實(shí)現(xiàn)原理。
    的頭像 發(fā)表于 01-27 11:49 ?1.9w次閱讀
    介紹<b class='flag-5'>目標(biāo)</b><b class='flag-5'>檢測(cè)</b>工具Faster <b class='flag-5'>R-CNN</b>,包括它的構(gòu)造及實(shí)現(xiàn)原理

    Mask R-CNN:自動(dòng)從視頻中制作目標(biāo)物體的GIF動(dòng)圖

    用深度學(xué)習(xí)模型——Mask R-CNN,自動(dòng)從視頻中制作目標(biāo)物體的GIF動(dòng)圖。
    的頭像 發(fā)表于 02-03 14:19 ?1.1w次閱讀

    什么是Mask R-CNN?Mask R-CNN的工作原理

    它的概念很簡(jiǎn)單:對(duì)于每個(gè)目標(biāo)對(duì)象,F(xiàn)aster R-CNN都有兩個(gè)輸出,一是分類標(biāo)簽,二是候選窗口;為了分割目標(biāo)像素,我們可以在前兩個(gè)輸出的基礎(chǔ)上增加第三個(gè)輸出——指示對(duì)象在窗口中像素位置的二進(jìn)制
    的頭像 發(fā)表于 07-20 08:53 ?6.8w次閱讀

    手把手教你操作Faster R-CNN和Mask R-CNN

    R-CNN又承繼于R-CNN,因此,為了能讓大家更好的理解基于CNN目標(biāo)檢測(cè)方法,我們從R-CNN
    的頭像 發(fā)表于 04-04 16:32 ?1.3w次閱讀

    基于改進(jìn)Faster R-CNN目標(biāo)檢測(cè)方法

    為提高小尺度行人檢測(cè)的準(zhǔn)確性,提出一種基于改進(jìn) Faster r-CNN目標(biāo)檢測(cè)方法。通過引入基于雙線性插值的對(duì)齊池化層,避免感興趣區(qū)域池化過程中兩次量化操作導(dǎo)致的位置偏差,同時(shí)設(shè)計(jì)
    發(fā)表于 03-23 14:52 ?3次下載
    基于改進(jìn)Faster <b class='flag-5'>R-CNN</b>的<b class='flag-5'>目標(biāo)</b><b class='flag-5'>檢測(cè)</b>方法

    基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法

    整體框架 目標(biāo)檢測(cè)算法主要包括:【兩階段】目標(biāo)檢測(cè)算法、【多階段】目標(biāo)檢測(cè)算法、【單階段】
    的頭像 發(fā)表于 04-30 10:22 ?1.1w次閱讀
    基于深度學(xué)習(xí)的<b class='flag-5'>目標(biāo)</b><b class='flag-5'>檢測(cè)算法</b>

    用于實(shí)例分割的Mask R-CNN框架

    我們的方法稱為 Mask R-CNN,擴(kuò)展了 Faster RCNN ,方法是在每個(gè)感興趣區(qū)域 (RoI) 上添加一個(gè)用于預(yù)測(cè)分割掩碼的分支,與用于分類和邊界框回歸的現(xiàn)有分支并行(圖 1)。掩碼分支
    的頭像 發(fā)表于 04-13 10:40 ?2706次閱讀

    深度學(xué)習(xí)在目標(biāo)檢測(cè)中的應(yīng)用

    R-CNN 算法在 2014 年提出,可以說是歷史性的算法,將深度學(xué)習(xí)應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域,相較于之前的
    的頭像 發(fā)表于 10-31 10:08 ?1891次閱讀

    深入了解目標(biāo)檢測(cè)深度學(xué)習(xí)算法的技術(shù)細(xì)節(jié)

    本文將討論目標(biāo)檢測(cè)的基本方法(窮盡搜索、R-CNN、Fast R-CNN和Faster R-CNN),并嘗試?yán)斫饷總€(gè)模型的技術(shù)細(xì)節(jié)。為了讓經(jīng)
    發(fā)表于 01-05 16:27 ?469次閱讀

    PyTorch教程14.8之基于區(qū)域的CNN(R-CNN)

    電子發(fā)燒友網(wǎng)站提供《PyTorch教程14.8之基于區(qū)域的CNN(R-CNN).pdf》資料免費(fèi)下載
    發(fā)表于 06-05 11:09 ?0次下載
    PyTorch教程14.8之基于區(qū)域的<b class='flag-5'>CNN</b>(<b class='flag-5'>R-CNN</b>)

    PyTorch教程-14.8?;趨^(qū)域的 CNN (R-CNN)

    Studio 實(shí)驗(yàn)室在 SageMaker Studio Lab 中打開筆記本 除了第 14.7 節(jié)中描述的單次多框檢測(cè)之外,基于區(qū)域的 CNN 或具有 CNN 特征的區(qū)域 (R-CNN
    的頭像 發(fā)表于 06-05 15:44 ?691次閱讀
    PyTorch教程-14.8?;趨^(qū)域的 <b class='flag-5'>CNN</b> (<b class='flag-5'>R-CNN</b>)

    無Anchor的目標(biāo)檢測(cè)算法邊框回歸策略

    Anchor的目標(biāo)檢測(cè)算法:YOLOv1,CenterNet,CornerNet的邊框回歸策略;2.有Anchor的目標(biāo)檢測(cè)算法:SSD,YOLOv2,F(xiàn)aster
    的頭像 發(fā)表于 07-17 11:17 ?1128次閱讀
    無Anchor的<b class='flag-5'>目標(biāo)</b><b class='flag-5'>檢測(cè)算法</b>邊框回歸策略

    電子發(fā)燒友

    中國(guó)電子工程師最喜歡的網(wǎng)站

    • 2931785位工程師會(huì)員交流學(xué)習(xí)
    • 獲取您個(gè)性化的科技前沿技術(shù)信息
    • 參加活動(dòng)獲取豐厚的禮品