仿造别人的网站侵权吗,广州建筑信息平台,防wordpress花园,外国人 做的中国字网站#x1f4e2;#xff1a;如果你也对机器人、人工智能感兴趣#xff0c;看来我们志同道合✨ #x1f4e2;#xff1a;不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】 #x1f4e2;#xff1a;文章若有幸对你有帮助#xff0c;可点赞 #x1f44d;… 如果你也对机器人、人工智能感兴趣看来我们志同道合✨ 不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】 文章若有幸对你有帮助可点赞 收藏 ⭐不迷路 内容若有错误敬请留言 指正原创文转载请注明出处 文章目录 R-CNN简介R-CNN实现步骤R-CNN优缺点 Fast R-CNN简介Fast R-CNN实现流程Fast R-CNN优缺点Fast R-CNN的功能 问题faster rcnn 相比fast rcnn有何改进------RPNMask R-CNN简介Mask R-CNN的由来MaskR-CNN的网络结构Mask分支不足 参考 R-CNN简介 R-CNN简介区域卷积神经网络Region Based Convolutinonal Neural NetworksR-CNN是Girshick等人于2014年提出的第一个基于深度学习的目标检测模型结合了卷积神经网络和选择性搜索SelectiveSearch算法。包括分类与回归最大的问题速度太慢。先寻找框region proposal然后再卷积因此要对所有框进行卷积操作比较耗费时间一张图像需要耗时49秒。只在cpu上进行计算。 R-CNN实现步骤 首先使用选择性搜索算法在输入图像中生成大量独立的候选区域再对这些可能包含目标的候选框通过裁剪或变形的方式固定成统一尺寸。之后将它们输入到 Alex Net 网络中进行特征提取在此基础上经过多个 SVMSupport Vector Machine支持向量机完成分类判断结合线性回归的方式对得到的目标预测框进行精修。 R-CNN优缺点 R-CNN 算法虽然相较于传统目标检测算法在精度上有很大提升但仍然存在不少缺陷。一方面R-CNN 对候选区域进行尺度的变换以固定大小会使候选区域发生形变失真而损失原有的特征信息。另一方面R-CNN 要对得到的所有候选区域逐个进行特征提取带来了巨大的计算消耗进而导致目标检测速度十分缓慢。此外R-CNN并不是端到端的整体网络需要进行多次繁琐耗时的训练浪费大量存储空间导致该算法难以应用到工业领域中。 Fast R-CNN简介 Fast R-CNN简介相比于R-CNN其主要创新之处在于在R-CNN的全连接层和前一个卷积层中添加了一个感兴趣区域池化层(Region of interest poolingRo I pooling)提取每个区域建议的特征。输入到该层的不同大小特征图会被统一到固定的尺寸不需要再对原始图片进行裁剪就可以满足全连接层的需要。这样可以保留候选样本的空间特征信息减少对磁盘空间的占用提高训练速度。此外Fast R-CNN 引入了多任务损失函数并行进行分类任务和回归任务的训练加快模型收敛速度。对于分类器计算的参数也不用单独进行保存节省了许多空间同时使模型的实现变得更加简单。 Fast R-CNN实现流程 首先对输入图像使用选择性搜索算法生成候选区域并利用卷积神经网络对图像进行特征提取然后将得到特征图上的感兴趣区域输入到 RoI pooling 层形成一个统一尺寸的兴趣区域特征向量最后经过全连接层进行Soft Max 分类和边界框回归。 Fast R-CNN优缺点 Fast R-CNN 算法的精度和速度虽然相较于 R-CNN 算法有了大幅度的提升却依然存在很大缺陷需要使用计算量大的选择性搜索方法获得候选区域候选区域的生成过程依然复杂效率低下。该方法在 Fast R-CNN 的训练和预测时长占比很大是 Fast R-CNN 速度进一步提升的主要限制。 Fast R-CNN的功能 Faster R-CNN也是何凯明等人提出来的。为解决 Fast R-CNN 网络使用选择性搜索方法计算量大的问题Ren 等人2015提出了 Faster R-CNN。做了两个工作 1、共享卷积。先做卷积后在特征图上进行寻找框计算量明显下降只需做一次卷积实现卷积共享。 2、实现了端到端的图像检测。 Faster R-CNN主要流程首先使用卷积神经网络得到输入图像对应的特征图再经过RPN 区域建议网络进行前景和背景初步分类并生成候选区域之后和 Fast R-CNN 一样使用感兴趣区域池化层RoI Poling输出固定大小的特征图。最后在分类分支得到目标的类别置信度得分在回归分支进行目标的坐标定位。 问题faster rcnn 相比fast rcnn有何改进------RPN 该算法提出候选区域建议网络 (RPNRegion Proposal Networks) 来替换选择性搜索方法从而提高模型的检测效率。RPN区域建议网络RPN网络层是faster rcnn最核心的部分。作用是从基于特征图中产生候选框用于后续的分类工作分类属于二分类是否是物体进行分类这样就过滤掉一些非物体的候选框判断是前景还是背景去除背景保留前景前景是物体背景是非物体。之后还要对候选框进行微调也就是完成回归任务目的就是将候选框尽量与实际框ground truth重叠的比例越大越好。最后对删选出来的候选框按照实际需求进行多分类。 Mask R-CNN简介 Mask R-CNN模型在Faster R-CNN模型的基础上添加了一个基于 FCN 的掩模预测分支用于实例分割。 输入图像首先通过骨干网络( Resnet - FPN)进行特征提取得到特征图再通过区域建议网络 (RPN)在特征图上生成感兴趣区域ROI并将感兴趣区域对应位置的特征池化为固定尺寸的特征最后由检测分支进行目标框的分类和回归由掩模预测分支对目标进行像素级别的分割。 特征金字塔Feature Pyramid NetworksFPN由 Tsung-Yi Lin 等人于 2017年提出用于解决目标检测中的多尺度问题。 Mask R-CNN的由来 FasterR-CNN解决了目标检测准确率低、速度慢等问题能够较好地完成目标的识别任务与矩形框的定位任务。但是对于某些需要输出目标边缘轮廓即分割结果的检测而言FasterR-CNN只能实现检测的部分无法完成其分割任务而FCN刚好与之相反它可实现分割却无法实现目标的检测。针对这个问题He Kai-ming等人将热门的目标检测网络—FasterR-CNN和经典的语义分割网络—FCN相结合提出了实例分割网络——MaskR-CNN。MaskR-CNN继承于FasterR-CNN只是在FasterR-CNN的基础上通过FCN增加了一个mask掩码预测分支即在保证良好检测性能的基础上实现了目标检测和分割的一体化。 MaskR-CNN的网络结构 Mask R-CNN在Faster R-CNN的基础上改进。改进与意义 1、FPN。采用特征金字塔网络提取特征-----FPN。对特征图进行上下采样并做融合特征更加丰富。 2、RoIAlign。将RoIAlign层替换RoIPooling层。保留小数特征提高对小物体的检测精度。之前的roipooling是向下取整的因此会损失小数部分的特征。为了对小数部分也提取特征保留小数特征采用roialign这样提高了更适合对小物体的检测。最后输出的是7X7的特征图 3、添加了一个mask分支。对于Mask分支是Mask R-CNN在Faster R-CNN基础上增加的分支用于生成检测目标的掩码。Mask分支的输入来自于经过ROI Align处理后的ROI。对于每一个ROIMask分支有K个m×m维度的输出对这些大小为m×m的Mask进行编码得到该ROI K个类别的概率值由此实现实例分割的目的。如图4所示Mask分支对其进行4次卷积和1次反卷积操作并使用了像素级sigmoid激活函数最后得到K×m×m维度的输出其中K为检测目标的类别数目m为特征图的尺寸。由于Mask分支根据分类分支所预测的类别标签来选择输出的掩码其允许网络为每一类生成一个掩码不同类之间不存在竞争这使得分类和掩码生成分解开来可以提高实例分割的效果。 Mask分支不足 然而Mask R-CNN作为两阶段检测模型实行先检测后分割策略其分割效果受检测结果的制约。对于RPN提取出的ROI特征图Mask分支采用全卷积操作提取语义信息这对于局部语义信息有较好的敏感度但是忽略了上下文信息。 参考
1、https://blog.csdn.net/qq_36269513/article/details/80420363?ops_request_misc%7B%22request_id%22%3A%22164251636616780261910185%22%2C%22scm%22%3A%2220140713.130102334…%22%7Drequest_id164251636616780261910185biz_id0utm_mediumdistribute.pc_search_result.none-task-blog-2alltop_positive~default-1-80420363.pc_search_result_control_grouputm_termFCNspm1018.2226.3001.4187
2、https://blog.csdn.net/wangdongwei0/article/details/83110305
3、https://blog.csdn.net/qq_27825451/article/details/89677068?ops_request_misc%7B%22request_id%22%3A%22164886912816780271937139%22%2C%22scm%22%3A%2220140713.130102334.pc_all.%22%7Drequest_id164886912816780271937139biz_id0utm_mediumdistribute.pc_search_result.none-task-blog-2allfirst_rank_ecpm_v1~rank_v31_ecpm-1-89677068.142%5Ev5%5Epc_search_result_cache,157%5Ev4%5Econtrolutm_termmaskrcnn%E7%9A%84%E7%BD%91%E7%BB%9C%E7%BB%93%E6%9E%84spm1018.2226.3001.4187
4、https://blog.csdn.net/linolzhang/article/details/71774168?ops_request_misc%7B%22request_id%22%3A%22164251624216780271977050%22%2C%22scm%22%3A%2220140713.130102334…%22%7Drequest_id164251624216780271977050biz_id0utm_mediumdistribute.pc_search_result.none-task-blog-2alltop_positive~default-1-71774168.pc_search_result_control_grouputm_termmaskrcnnspm1018.2226.3001.4187
