太仓网站建设找哪家,发广告去哪个平台,python 做网站很快吗,无锡网站制作优化在R-CNN中提到过#xff0c;候选区域的提取和之后的目标检测其实是独立的#xff0c;所以我们可以使用任意的算法如SS。Fast-RCNN改进的是目标检测部分#xff0c;但是其实候选区域的提取也挺费时的#xff0c;Faster R-CNN就把改进方向放在了这里。
我们已经领略到了CNN的…在R-CNN中提到过候选区域的提取和之后的目标检测其实是独立的所以我们可以使用任意的算法如SS。Fast-RCNN改进的是目标检测部分但是其实候选区域的提取也挺费时的Faster R-CNN就把改进方向放在了这里。
我们已经领略到了CNN的强大所以Faster R-CNN把提取候选框的任务也交给神经网络来做。我们把完成这一任务的神经网络叫做Region Proposal NetworkRPN。可以看到在Faster R-CNN中候选框的提取不再是第一步。在RPN之前已经有一个CNN用于生成feature mapCNN中包括一系列卷积ConvRelu和池化Pooling操作卷积层的操作由RPN和Fast RCNN共享提升速度。在CNN最后一个卷积层后面才是RPNRPN在feature map上得到候选区域。RPN引入了多尺度Anchor。通过Softmax对anchors属于目标(foreground)还是背景(background)进行分类判决并使用Bounding Box Regression对anchors进行回归预测获取Proposal的精确位置并用于后续的目标识别与检测。简单来说和之后的目标检测一样就是分类回归不同的是这里的分类只需要判断是目标还是背景不需要知道具体的类别。
除了CNN和RPN。还有两个重要部分
RoIPooling综合卷积层特征feature maps和候选框proposal的信息将propopal在输入图像中的坐标映射到最后一层feature map(conv5-3)中对feature map中的对应区域进行池化操作得到固定大小(7×7)输出的池化结果并与后面的全连接层相连。池化的主要目的还是得到大小固定的向量便于输入神经网络。原始的对候选框中图像进行大小归一化的方法是crop和warp。可以看到两种方法都有失真。所以我们换了一种思路没必要对图像大小归一化只需要对它们形成的向量归一化就好了。M×N尺度将proposal的坐标映射到M16×N16大小的conv5-3中然后将Proposal在conv5-3的对应区域水平和竖直均分为7等份并对每一份进行Max Pooling或Average Pooling处理得到固定大小(7×7)输出的池化结果实现固定长度输出(fixed-length output)如下图所示。水平和竖直方向分别是7等分就可以不必使得水平和竖直的每一块大小都相同最后使用最大池化或者平均池化使得每一块不管大小都只有一个输出则得到了统一的7x7的大小。Classificationand Regression: 全连接层后接两个子连接层——分类层(cls)和回归层(reg)分类层用于判断Proposal的类别回归层则通过boundingbox regression预测Proposal的准确位置。https://blog.csdn.net/Zachary_Co/article/details/78890768
还没有仔细了解一下ss方法现在先来看一下RPN。RPN使用一个3x3的卷积核在feature map上滑动窗口。但是Anchor不是指这个3x3的核而是3x3卷积核在滑动的过程中将核中心位置映射回输入图像生成的3种尺度scale 边长为128256,512的正方形3种长宽比aspect ratio 1:1,1:2,2:1共9种的候选框。特征图conv5-3每个位置都对应9个anchors如果featuremap的大小为W×H则一共有W×H×9个anchors滑动窗口的方式保证能够关联conv5-3的全部特征空间最后在原图上得到多尺度多长宽比的anchors。因为在候选框的提取RPN和目标检测Fast R-CNN中都需要进行分类classification和回归Regression所以一共需要4个损失函数。
Reference
1. https://www.cnblogs.com/skyfsm/p/6806246.html
2. https://blog.csdn.net/Zachary_Co/article/details/78890768
