本文主要是介绍R-CNN系列学习笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
迄今为止,我也没有用过R-CNN系列。。。看理论是一回事,实际用是另外一回事。
之前准备用,看理论时候的一些摘录笔记,都忘的差不多了。
实际用的时候,里面的每一个细节就很关键了,尤其是在自己项目需要的特定应用场景下。
细节包括理论细节和代码处理细节,都挺花时间,也都挺关键。
一文读懂目标检测:R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
https://cloud.tencent.com/developer/news/281788
R-CNN文章详细解读
https://www.jianshu.com/p/5056e6143ed5
R-CNN(Selective Search + CNN + SVM)
SPP-net(ROI Pooling)
Fast R-CNN(Selective Search + CNN + ROI)
Faster R-CNN(RPN + CNN + ROI)
R-CNN
先Selective Search许多候选框Region Proposal(比如两千个)-->CNN-->得到每个候选框的特征-->SVM分类--> box regression
(注意:每个候选框都要进行一次CNN)
Fast R-CNN (借鉴了SPPNet的思想,通过ROI Pooling的结构)
一张完整图片-->CNN-->得到Selective Search(原图)的每张候选框的特征-->多任务损失函数:softmax分类+边框回归
(注意:仍然要对原图进行Selective Search许多候选框Region Proposal。并把这些候选区域按照空间位置关系映射到最后的卷积特征层。)
Faster R-CNN
一张完整图片-->CNN-->Region Proposal Network(RPN)得到每张候选框的特征-->多任务损失函数:softmax分类+边框回归
Mask R-CNN
Fine-tuning
https://www.julyedu.com/question/big/kp_id/26/ques_id/2137
通常,前面的层提取的是图像的通用特征(generic features)(例如边缘检测,色彩检测),这些特征对许多任务都有用。后面的层提取的是与特定类别有关的特征,因此fine-tune时常常只需要Fine-tuning后面的层。
网络前几层学到的是通用特征,后面几层学到的是与类别相关的特征。
关于什么是边框回归,请参看本深度学习分类下第56题:https://www.julyedu.com/question/big/kp_id/26/ques_id/2139
SPP Net(spatial pyramid pooling layer)
ROI pooling layer实际上是SPP-NET的一个精简版,SPP-NET对每个proposal使用了不同大小的金字塔映射。
加入这个神奇的ROI Pooling层,对每个region都提取一个固定维度的特征表示,再通过正常的softmax进行类型识别。
ROI Pooling 与 SPP 理解:https://blog.csdn.net/qq_35586657/article/details/97885290
ROI Pooling是针对RoIs的Pooling,其特点是输入特征图尺寸不固定,但是输出特征图尺寸固定。
ROI Pooling的思想来自于SPPNet中的Spatial Pyramid Pooling,在Fast RCNN中使用时,将SPPNet中多尺度的池化简化了为单尺度。
ROI Pooling 与 SPP 的区别:
两者起到的作用是相同的,把不同尺寸的特征输入转化为相同尺寸的特征输出。SPP针对同一个输入使用了多个不同尺寸的池化操作,把不同尺度的结果拼接作为输出;而ROI Pooling可看作单尺度的SPP,对于一个输入只进行一次池化操作。
在Fast RCNN中, RoI是指Selective Search完成后得到的“候选框”在特征图上的映射。
在Faster RCNN中,候选框是经过RPN产生的,然后再把各个“候选框”映射到特征图上,得到RoIs。
Region Proposal Networks(RPN)
其实RPN最终就是在原图尺度上,设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的positive anchor,哪些是没目标的negative anchor。所以,仅仅是个二分类而已。
Feature Pyramid Network (FPN) (maskRNN中使用)
FPN的提出是为了实现更好的feature maps融合,一般的网络都是直接使用最后一层的feature maps,虽然最后一层的feature maps 语义强,但是位置和分辨率都比较低,容易检测不到比较小的物体。FPN的功能就是融合了底层到高层的feature maps ,从而充分的利用了提取到的各个阶段的特征(ResNet中的C2-C5)。
FPN是一种精心设计的多尺度检测方法。FPN实际上是一种通用架构,可以结合各种骨架网络使用,比如VGG,ResNet等。
物体探测的两类方法:
two stage 的目标检测算法是先由算法生成一系列作为样本的候选框,再通过卷积神经网络进行样本分类;
one stage 的目标检测算法。则不用产生候选框,直接将目标边框定位的问题转化为回归问题处理。
正是由于两种方法的差异,在性能上也有不同,前者在检测准确率和定位精度上占优,后者在算法速度上占优。
一文读懂Faster RCNN
https://zhuanlan.zhihu.com/p/31426458
令人拍案称奇的Mask RCNN
https://zhuanlan.zhihu.com/p/37998710
Code:
https://github.com/matterport/Mask_RCNN
https://github.com/facebookresearch/Detectron
这篇关于R-CNN系列学习笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!