目标检测—Faster-RCNN

本文记录的目的是方便自己学习和复习,有误之处请谅解,欢迎指出。

    从之前Fast R-CNN文章的介绍中知道,它已经把很多工作集成到一个端对端CNN网络进行训练,但是依然存在一个外部的前提工作——候选框生成。此前R-CNN、Fast R-CNN的候选框生成一直采用选择性搜索(Selecter Search SS),为了尽可能加快网络速度和集成一个网络,Faster R-CNN被提出。

    主要创新的提出一种区域推荐网络(Region Proposal Networks,RPN),集成在Fast R-CNN网络中,共享卷积层,生成候选区供Fast R-CNN使用,其他与Fast R-CNN基本一致。其整体框架如下图所示。

Faster R-CNN网络

    基本流程:

        1、特征提取。使用常见CNN网络,如VGG16,ResNet等,取其前几层网络作为基础共享卷积网络,然后输入图像提取特征。

        2、RPN候选区生成。前向传播经过一些列的卷积操作得到 feature map,将feature map 输入RPN网络生成许多候选区,并进行筛选。

        3、将不同大小候选区映射至原图特征,得到区域特征,输入ROI pooling提取特征。

        4、区域特征输入全连接层,输出分类结果和边框修正

一、Region Proposal Networks(RPN)与锚框(Anchors)

        Anchors

            介绍RPN之前需要的一个前提知识是锚框(Anchors),锚框是RPN生成候选框的核心。高层特征图中每个元素点都代表了原图的一个小区域信息,在这个小区域周边生成9种面积(3种面积 x 3种比例)的Anchors用来框住物体,如下图所示。

     例如原图,经过VGG下采样16倍,所以此Anchors的数量为:

int(800/16)\times int(600/16)\times 9=50\times 38\times 9=17100

    RPN

        一些经典的候选框检测方法非常耗时,例如滑动窗口+图像金字塔、Selective Search等。Faster R-CNN放弃传统滑动窗口和选择性搜索方法,提出基于卷积的候选框生成方法,极大的提升了检测速度。

RPN

    如上图所示,主要有两条传播线路。1)通过3\times 3卷积生成256维度特征图,再经过1个1\times 1卷积生成18维度的特征(数字含义后面解释),最后经过一个Softmax进行前景和背景的二分类。2)同样经过3\times 31\times 1的卷积,输出36维的特征坐标信息,最后选出候选区。

        对于每个Anchors需要知道的信息是,否包含物体以及它的坐标信息。如何判断是否包含物体,这就是为什么第一条线路输出通道为18,RPN的分类属于Softmax二分类,输出前景和背景的概率,所以每个锚点的9种Anchors需要2\times 9输出;同理,如何判断锚框坐标位移信息,就是4\times 9个特征通道。

        接下来就是正负样本的选择与损失函数。

        正样本:(1)anchor与ground_truth box有最大的

IoU重叠;(2)IoU重叠超过0.7

        负样本:(1)IoU小于0.3

        损失函数与Fast R-CNN基本一致,区别是RPN分类损失属于二分类。

二、训练方式

        (1)交替训练:训练RPN,得到的region proposals来训练fast r-cnn进行微调;此时网络用来初始化RPN网络,迭代此过程;

        (2)近似联合训练:把RPN与Fast R-CNN的损失一起训练(没太搞懂,相加?)

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,928评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,192评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,468评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,186评论 1 286
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,295评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,374评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,403评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,186评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,610评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,906评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,075评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,755评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,393评论 3 320
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,079评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,313评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,934评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,963评论 2 351

推荐阅读更多精彩内容