当前位置：凯发ag旗舰厅登录网址下载 > 人工智能 > 目标检测 >内容正文

目标检测

深度学习和目标检测系列教程 6-凯发ag旗舰厅登录网址下载

发布时间：2024/10/8 目标检测 0 豆豆

凯发ag旗舰厅登录网址下载收集整理的这篇文章主要介绍了深度学习和目标检测系列教程 6-300：目标检测fast-rcnn架构小编觉得挺不错的,现在分享给大家,帮大家做个参考.

@author：runsen

使用 r-cnn 进行对象检测存在一些缺点。

上一篇论文的同一作者（r-cnn）解决了 r-cnn 的一些缺点，构建了一个更快的对象检测算法，被称为 fast r-cnn。

fast r-cnn模型不是将区域候选框提供给 cnn，而是将输入图像提供给 cnn 以生成特征向量。

将它们聚合到整个图像的一个 cnn 前向传递中，并且区域提议共享此特征矩阵。然后将相同的特征矩阵用于学习对象分类器和边界框回归器。总之，计算共享加速了 r-cnn。

在 fast r-cnn 中，图像只被送入底层 cnn 一次，而选择性搜索则像往常一样运行。这些由选择性搜索生成的区域提议然后被投影到由 cnn 生成的特征图上。这个过程称为roi projection（感兴趣区域）。

roi pooling一种最大池化，将任意大小的图像投影区域h x w中的特征转换为一个小的h x w固定窗口。

让我们考虑一个小例子来看看roi pooling
是如何工作的。我们将在单个 8×8 特征图、一个感兴趣区域和 2×2 的输出大小上执行感兴趣区域池化。输入特征图如下所示：

假设我们还有一个区域候选框（左上角，右下角坐标）：(0, 3), (7, 8)。在图片中它看起来像这样：

通常情况下，每个图片都会有多个特征图和多个候选框，在示例中认为输出大小为 2×2，因此将其分成 (2×2) 个部分。

请注意，感兴趣区域的大小不必完全被池化部分的数量整除（在这种情况下，roi 是 7×5，有 2×2 个池化部分）。
每个部分的最大值是：

这就是区域候选框roi pooling的输出。

上面实例代码：https://github.com/deepsense-ai/roi-pooling

fast r-cnn 的工作原理总结如下：许多步骤与 r-cnn 相同：

首先，在图像分类任务上预训练卷积神经网络。
通过选择性搜索提出区域（每张图像约 2k 个候选）。
改变预训练的 cnn：
- 用 roi 池化层替换预训练 cnn 的最后一个最大池化层。roi 池化层输出区域提议的固定长度特征向量。共享 cnn 计算很有意义，因为相同图像的许多区域提议高度重叠。
- 用全连接层和 k 1 类上的 softmax 替换最后一个全连接层和最后一个 softmax 层（k 个类别）。
最后，模型分支为两个输出层：
- k 1 个类别的 softmax 估计器，输出每个 roi 的离散概率分布。
- 一个边界框回归模型，它预测相对于 k 个类别中每个类别的原始 roi 的偏移量。

“fast r-cnn”之所以比 r-cnn 快，是因为不必每次都向卷积神经网络输入 2000 个区域候选框。相反，每个图像只进行一次卷积操作，并从中生成一个特征图。

附上fast-rcnn 相关github代码：