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)。
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