Faster RCNN简单总结
2017-08-09 14:16
183 查看
图片地址:http://blog.csdn.net/zy1034092330/article/details/62044941
RPN
1.RPN和Fast RCNN是提前训练好的，之后再微调的结果；2.每次走到RPN的时候anchor数目(anchor是在原图上的)是相同的，所以物体分类和BBOX的输入时相同的输入anchor。
①物体分类检测是根据anchor来判断是否为物体(正类)，但是整理的框通常不够好，所以还需要计算BBOX的变换。
②BBOX是由anchor的坐标回归计算得到偏移参数，可以理解为：修正目标=anchor坐标*W，我们就是要求出W。
注意：RPN都是基于原图像的。
Proposal Layer
将得到的W用到①中的正类进行anchor的位置修正；检查anchor在原图像上是否越界，越界就删除；
进行nms；
选出前300个候选框。
RoI pooling
将RPN选中的300个候选框(原图上修正后的anchor)，通过spatial_scale: 1/16 映射到feature map上，在通过pooled_w: 7和pooled_h: 7将每个候选框49个，取每个对应的maxpooling值，这样得到49个全连接层的输入。再往后就是分类器和BBox的再次精修操作(Fast RCNN的操作)。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- RCNN, Fast RCNN和Faster RCNN的简单总结与对比
- faster rcnn源码解读总结
- 目标检测定位与分割论文阅读心得总结：FCN U-Net R-CNN FR-CNN Faster R-CNN Mask R-CNN
- detection总结R-CNN>SPP-Net>Fast-R-CNN>Faster-R-CNN>YOLO>SSD
- RCNN,fast RCNN,faster RCNN比较归纳总结（一）
- faster rcnn细节总结
- faster rcnn训练自己的数据集demo和训练过程error总结
- faster rcnn源码解读总结
- RCNN系列总结（RCNN,SPPNET,Fast RCNN,Faster RCNN）
- Detection物体检测及分类方法总结（RFCN/SSD/RCNN/FastRCNN/FasterRCNN/SPPNet/DPM/OverFeat/YOLO）
- 目标检测方法总结（RFCN/SSD/RCNN/FastRCNN/FasterRCNN/SPPNet/DPM/OverFeat/YOLO）
- 目标检测方法总结（RFCN/SSD/RCNN/FastRCNN/FasterRCNN/SPPNet/DPM/OverFeat/YOLO）
- 目标检测 RCNN, SPPNet, Fast RCNN, Faster RCNN 总结
- faster-rcnn caffe 实践和问题总结（Python）
- Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks程序(Python)配置问题总结
- Detection物体检测及分类方法总结（RFCN/SSD/RCNN/FastRCNN/FasterRCNN/SPPNet/DPM/OverFeat/YOLO）
- Faster R-CNN实验记录总结
- RCNN + SPP + FAST RCNN + FASTER RCNN+ YOLO 论文总结
- R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN总结
- 深度学习系列之Faster R-CNN 个人总结