1. Johngo学长首页
  2. 技术点详细复盘专题
  3. 人工智能

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

• 人工智能 • 阅读 74

🤵 Author ：Horizon Max

✨ 编程技巧篇：各种操作小结

🎇 机器视觉篇：会变魔术 OpenCV

💥 深度学习篇：简单入门 PyTorch

🏆 神经网络篇：经典网络模型

💻 算法篇：再忙也别忘了 LeetCode

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

🚀 Regions with CNN features

近年来，目标检测性能在标准 PASCAL VOC 数据集上保持稳定 ；

性能最好的方法是复杂的集成系统（complex ensemble systems），通过将多个低维图像特征与高维背景结合 ；

利用 候选区域( region proposals )与 CNN 相结合 的方式，实现了平均精度（mAP）提高了30%以上 ；

R-CNN 与 OverFeat（最近提出的一种基于类似CNN结构的滑动窗口检测器）相比，性能大大优于OverFeat ；

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

🔗 论文地址：Rich feature hierarchies for accurate object detection and semantic segmentation

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

Object detection system overview

; 🚀 R-CNN 详解

🎨 R-CNN 提出背景

自 CNN 于1990s 提出开始到 2012年 AlexNet 夺得 ILSVRC 2012 图像分类任务的冠军 ；
作者思考：如何将 图像分类 的性能泛化到 目标检测 任务上 ？
基于此提出了两个重点研究的问题 ：

  • 使用深度卷积神经网络实现目标的定位 ；
  • 使用少量带标签的检测数据来训练较强的网络模型 ；

🚩 核心思想

（1）候选区域与CNN相结合（ Regions with CNN features ）；

（2）利用利用大数据集 (ILAVRC) 预训练模型，然后利用小数据集 (PASCAL) 进行候选区域的微调，解决训练数据稀疏的问题 ；

🎨 R-CNN 网络结构

R-CNN 目标检测系统主要有4个步骤 ：

  • 生成类别独立的 候选区域(Region proposals)，这些候选区域组成了检测器的 检测集 ；
  • 利用 卷积神经网络 对每个候选区域提取固定长度的 特征向量 ；
  • 将 特征向量 输入到一系列特定类别的线性分类器 (SVMs(二分类器) ) 进行分类 ；
  • 使用 回归器 调整修正候选框的位置 ；

🚩 Region proposals

使用 选择性搜索（selective search）来生成候选区域（数量：~2k） ；

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

; 🚩 Feature extraction

使用 AlexNet 对候选区域的特征进行提取 ；

将候选区域统一变换为 227×227 像素大小输入 AlexNet 网络 ；

特征矩阵通常为 2000×4096（2000个候选框，4096维特征向量）；

SVM 权重矩阵为 4096×N，N为类别数，最后得到 2000×N 维矩阵，分别为每个候选框对应的每个类别的得分 ；

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

🚩 Test detection

总的来说：

  • 在测试环节，对图像进行选择性搜索，提取大约2000个 候选区域 ；
  • 对候选区域进行尺寸变化并输入至 CNN 当中进行特征提取并输出特征向量 ；
  • 利用 SVM 对每个候选区域提取的特征向量进行评分分类 ；
  • 若候选区域存在着 ( IoU ) 重叠，采用 非极大值抑制 的方法进行抑制 ；
  • 对检测误差进行分析，借鉴 bounding-box regression 训练一个线性回归模型实现对 候选区域进行微调 ；

注： bounding-box regression

建议框：Pi = (P x i P^i_x P x i ​，P y i P^i_y P y i ​，P w i P^i_w P w i ​，P h i P^i_h P h i ​)

真实框：Gi = (G x i G^i_x G x i ​，G y i G^i_y G y i ​，G w i G^i_w G w i ​，G h i G^i_h G h i ​)

分别对应着建议框和真实框的 中心点坐标， 宽度， 高度 ；

定义建议框到真实框之间的变换： dx( P )，dy( P )，dw( P )，dh( P ) ；

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

根据这些定义训练一个回归模型得到回归参数： tx，ty，tw，th ；

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

VOC 2010 检测平均精度(%)

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

ILSVRC 2013 检测平均精度

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

; 🚀 R-CNN 复现

🎨 详见下一章节 📕 ：[目标检测 ] 经典网络模型2——Fast R-CNN 详解与复现

[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

Original: https://blog.csdn.net/weixin_45084253/article/details/124649126
Author: Horizon Max
Title: [ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/686789/

转载文章受原作者版权保护。转载请注明原作者出处！

赞 (0)
0

【自取】最近整理的，有需要可以领取学习：



Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言 刷题答案下载！

大家都在看

亲爱的 Coder【最近整理，可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球