1 介绍本文基于《Fast R-CNN》翻译总结，作者是Ross Girshick（Microsoft Research）。 Fast Region-based Convolutional Network method (Fast R-CNN) 用来进行物体识别。相比于图片分类，物体识别更具挑战，需要更加复杂的方法来解决。R-CNNR-CNN有以下三个缺点： 1.训练是多步骤的：R-CNN首先微调
转载
2024-01-12 09:25:18
356阅读
State-of-the-art object detection networks depend on region proposal algorithms to hypothesize object locations. Advances like SPPnet and Fast R-CNN have reduced the running time of these detect
转载
2024-07-01 17:34:16
67阅读
1、执行流程数据准备 train_net.py中combined_roidb函数会调用get_imdb得到datasets中factory.py生成的imdb
然后调用fast_rcnn下的train.py中get_training_roidb，
进而调用roi_data_layer下roidb.py中的prepare_roidb会为roidb添加image等信息。 数据输入 roi_dat
转载
2024-01-03 06:08:11
78阅读
如下图所示为Faster RCNN算法的基本流程，从功能模块来讲，主要包括四个部分：特征提取网络、RPN模块、RoI Pooling(Region of Interest)模块与RCNN模块，虚线表示仅仅在训练时有的步骤。Faster RCNN延续了RCNN系列的思想，即先进行感兴趣区域RoI的生成，然后再把生成的区域分类，最后完成物体的检测，这里的RoI使用的即是RPN模块，区域分类是RCNN网
转载
2024-01-08 16:46:38
0阅读
这一节，我们写一写faster-RCNN.在上一节中，我们看到，fast-rcnn还是需要有个region proposal的生成过程，这个很不OK。尤其是对处女座来说，很不友好。那么faster-rcnn就是为了解决这个问题而存在的。既然CNN那么牛，既然可以用大把的参数来解决问题，为什么还要做乱七八糟的额外处理呢。归根结底还是对神经网络的不了解。不多说，上内容。第一部分 faster-rcnn
转载
2024-03-21 16:14:11
198阅读
笔者言： 学习目标检测框架过程中记录自己的理解过程，个人认为理论知识足够完备前不急动手，单纯学习理论又过于无聊，写博客复述自己的理解是个不错的选择，当做笔记。背景： 发源于RCNN、fast-rcnn，最大创新点
转载
2024-03-24 20:26:11
289阅读
前言本来想着学习一下目标检测领域如何充分利用样本信息的（目标检测不仅仅需要图片的类别，还需要用到某个物理的具体位置。换言之，就是不仅仅要知道物体是什么？还需要知道物体在哪里？），结果一个faster - rcnn就把我难倒了。因为我主要是不明白这几个问题：模型是如何利用位置信息的？模型想要学习出来一个什么呢？学习后的模型相比学习前的模型有什么好处呢？（毕竟anchor是遍历生成的，无论是在训练还是
转载
2024-06-22 10:53:54
22阅读
9.2 微调在前面的一些章节中，我们介绍了如何在只有6万张图像的Fashion-MNIST训练数据集上训练模型。我们还描述了学术界当下使用最广泛的大规模图像数据集ImageNet，它有超过1,000万的图像和1,000类的物体。然而，我们平常接触到数据集的规模通常在这两者之间。假设我们想从图像中识别出不同种类的椅子，然后将购买链接推荐给用户。一种可能的方法是先找出100种常见的椅子，为每种椅子拍摄
转载
2024-10-11 11:16:27
39阅读
本文主要根据这版keras实现https://github.com/dishen12/keras_frcnn来梳理一下Faster RCNN的流程（原作者删了这个实现，这是别人fork的）。同时这个tensorflow实现的版本https://github.com/endernewton/tf-faster-rcnn也比较清楚（个人感觉不如keras版简单），可以对照着看。数据处理backbone
这里省略了特征提取模块部分，个人感觉没什么好讲的，就是选用一个网络充当特征提取器，这个不是我们这个系列的重点，后面讲的部分都是以VGG16作为特征提取网络，需要注意一点就是由于VGG16的网络设计，经过conv层不改变特征图的尺寸，经过pool层特征图尺寸会缩小到原来的一半。VGG16一共有5个pool层，我们选用第4个pool层的输出作为提取出来的特征图，这样相比于原图就缩小了16倍，即下采样倍
转载
2024-09-08 20:05:54
119阅读
一、概述RPN（region proposal net）,该网络与检测网络共享整个图像的卷积特征。RPN是一个全卷积网络，可以同时在每个位置预测目标边界和目标分数。RPN通过端到端的训练，可以生成高质量的region proposals.Faster RCNN，由两个模块组成。第一个模块是region proposal net，深度全卷积网络。第二个模块是使用proposal的Fast RCNN检
一、问题： 介绍一下FasterRCNN, 以及每一代的改进？二、答案（总结）： 1、 Faster-RCNN系列总共三个：分为RCNN, Fast-RCNN, Faster-RCNN; 2、RCNN主要方法是： 1）首先，使用SS算法（图像处理算法：Selective search算法）在原图上自上而下提取出2000多个框图，即Region Proposal；
转载
2024-03-15 21:28:25
76阅读
阅读前准备Faster RCNN是为目标检测而提出的一种网络，目标检测的任务是从一张给定的图片中不仅要对图像中的物体进行分类，而且要为每个类别的物体加一个Box，也就是要确定检测到的物体的位置。Faster RCNN由Fast RCNN改进，所以简单了解RCNN和Fast RCNN。RCNNRCNN使用selective search方法，为每张图片提出大概1k~2k个候选区域，然后将每个候选区域
转载
2024-04-03 09:26:49
151阅读
背景 Faster R-CNN 最早在 2015 年的 NIPS 发布。其在发布后经历了几次修改，这在之后博文中会有讨论。Faster-RCNN 是 RCNN 系列论文的第三次迭代，这一系列论文的一作和联合作者是 Ross Girshick。这一切始于 2014 年的一篇论文「Rich feature hierarchies for accurate object detection and se
转载
2024-07-13 14:22:37
42阅读
0.目的 刚刚学习faster rcnn目标检测算法，在尝试跑通github上面Xinlei Chen的tensorflow版本的faster rcnn代码时候遇到很多问题（我真是太菜）1. 运行环境配置 代码的README里面说明了，环境要求既有是这个git里面的，还有就是rbg的caffe代码中也有了一些环境。基本上包括：python2.7CUDA（并行计算库）>=6.0cudnn（
转载
2024-02-22 13:21:15
145阅读
RCNN, Fast RCNN, Faster RCNNRCNN RCNN是最早将ConvNet引入目标检测邻域的算法，和图像分类算法不同，目标检测领域的主要任务不仅要图像进行分类还要图像中物体存在的具体位置进行框选，更正规的说法是，对于一张输入图片，合格的目标检测算法要能够框选出图中有效目标（训练时设置的类别）所在的区域， 并对其进行正确分类。 RCNN作为目标检测算法，必然需要完成框选和分类
转载
2024-04-26 08:53:01
48阅读
一、Faster-RCNN基本结构该网络结构大致分为三个部分：卷积层得到高位图像特征feature maps、Region Proposal Network得到候选边框、classifier识别出物体及得到准确bounding box。二、feature maps最后一层卷积层输出。三、RPN1、RPN（Region Proposal Networks）feature maps再以3x3的卷积核进
转载
2023-07-11 16:54:12
440阅读
Fast R-CNN简介从名字可以看出，Fast R-CNN是在前一代R-CNN的基础上，提出的更快、精度更高的网络。R-CNN的缺点如下： 1.训练过程是多阶段的；R-CNN的训练分为三个阶段：a.用ImageNet的分类数据预训练卷积网络，然后拿检测的数据进行微调，来得到一个经过训练的CNN；b.用训练好的CNN去掉softmax层（即原网络倒数第二层）的特征向量为每一个类训练一个SVM分类器
转载
2024-04-16 09:53:35
238阅读
Faster - RCNN 的前世今生Faster-RCNN是从R-CNN发展而来的，从R-CNN到Fast-RCNN，最后到Faster-RCNN，作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，曾在2010年带领团队获得终身成就奖一、RCNN（RCNN 原论文传送门）RCNN的流程可分为四步：在图片中生成1K~2K个候选区（使用Selective Search方法
转载
2024-03-22 14:07:48
220阅读
首先要安装 caffe 和 pycaffe，安装过程可参考我的上一篇博文在安装并运行 Faster R-CNN demo，训练和测试自己的 VOC 数据集中也出现了各种各样的问题，但大多数问题都是因为 Faster R-CNN 本身和其他各种依赖项之间的兼容问题，大概是因为我安装的 CUDA，cuDNN 等其他一些依赖项的版本比较高造成的。Faster R-CNN 安装并运行 demo其 Gith
转载
2024-03-06 20:27:00
85阅读
