目标检测Faster RCNN系列笔记

最新推荐文章于 2025-01-13 10:23:04 发布
原创 最新推荐文章于 2025-01-13 10:23:04 发布 · 383 阅读 · 3 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#深度学习 #faster rcnn
本文深入探讨了目标检测技术的发展历程，从早期的人脸检测到Faster-RCNN及其后续改进，如HyperNet、RFCN、Light-HeadRCNN等。详细解析了各阶段的技术原理、网络结构及创新点，如RPN网络的引入、池化层改进和计算优化。

文章目录

计算机视觉：图像分类、目标检测、目标分割

一、人脸检测

  • 人脸检测属于目标检测的一种：目标为检测一张图像中是否存在人脸，以及人脸的位置
    在这里插入图片描述
  • 数据集：
    在这里插入图片描述
    在这里插入图片描述
  • 人脸采集介绍：
    在这里插入图片描述
  • 人脸数据集的构造
    在这里插入图片描述

二、Faster-RCNN

1) 发展历程以及解决的问题

在这里插入图片描述

2) 传统目标检测流程

在这里插入图片描述

3) RCNN
  • 步骤
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 缺点
    在这里插入图片描述
4) SPPNet

在这里插入图片描述

5) Fast RCNN
  • 介绍
    在这里插入图片描述
  • 网络结构
    在这里插入图片描述
  • Fast RCNN创新的操作
    在这里插入图片描述
  • Fast RCNN与R-CNN相比速度大幅提升
    在这里插入图片描述
  • Fast RCNN网络缺点
    在这里插入图片描述
6) Faster RCNN
  • 网络流程
    在这里插入图片描述
  • 网络结构
    在这里插入图片描述
  • 在Faster-RCNN中是如何定义和使用RPN网路的
    在这里插入图片描述
    在这里插入图片描述
  • 性能对比
    在这里插入图片描述
7) 后续改进网络

在这里插入图片描述

1、HyperNet
  • 对小物体检测能够有一个比较好的效果
    在这里插入图片描述
2、RFCN
  • 主要对pooling层进行改进
    在这里插入图片描述
3、Light-Head RCNN
  • 只要是通过对faster rcnn 的head部分进行优化，减少部分计算量
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
4、Mask RCNN

在这里插入图片描述

5、Cascade RCNN

在这里插入图片描述

6、CoupleNet

在这里插入图片描述
在这里插入图片描述

7、faster rcnn中两种常用的方法
  • 在线能力挖掘：实现主要是通过两个roi网络来实现的，第一个：针对于输入样本的损失来进行计算，完成难例挖掘的过程。第二个网络是实际用来训练的网络，通过两个网络相互协调来实现对其进行优化的目的。
  • 软的nms ：相对于hard nms，改变将阈值小于iou的阈值直接置为0，而是对阈值进行衰减的处理，或降低阈值，通过这种操作，保留更多的信息。能够在一定程度上减少漏检率

在这里插入图片描述

基于Faster R-CNN的人脸识别算法研究.pdf
09-23
基于Faster R-CNN的人脸识别算法研究.pdf
论文研究-基于Faster R-CNN的工件表面质量缺陷检测 .pdf
08-18
基于Faster R-CNN的工件表面质量缺陷检测，唐倩，文静，在工件缺陷表面检测中，传统方法缺陷检测的准确率较高，但要求图片特征明显，因此在实际应用中的效果并不理想。最近几年，深度学
用keras Faster RCNN训练wider face，实现人脸检测
qq_37431083的博客
10-25 1249
数据集下载 wider face数据集下载链接： http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/ 将label改为VOC格式 解压下载好的label文件：wider_face_split，找到wider_face_train_bbx_gt.txt文件，打开发现label的形式是 0–Parade/0_Parade_marchingband_1_7...
【亲测免费】 开源项目推荐：基于Faster R-CNN的人脸检测项目
最新发布
gitblog_00395的博客
01-13 439
开源项目推荐：基于Faster R-CNN的人脸检测项目 1. 项目基础介绍 本项目是一个开源的人脸检测项目，基于Faster R-CNN（Region-based Convolutional Neural Networks）算法实现。项目主要使用Python语言，结合Caffe深度学习框架，对图像进行处理和识别。项目地址为：face-py-faster-rcnn。 2. 项目核心功能 项目的核心...
人脸检测——Faster R-CNN
shuzfan的专栏
09-25 1万+
本次介绍人脸检测方法Faster R-CNN：《2016 Arxiv: Face Detection with the Faster R-CNN》.上面这篇文章，是对Faster R-CNN的人脸检测实现，原始的Faster R-CNN实现的是多目标检测，即下面这篇文章：《2015 CVPR: Faster R-CNN: Towards Real-Time Object Detection with
人脸检测综述
7huaping的专栏
08-21 6523
人脸检测是人脸识别、人脸属性分类、人脸编辑、人脸跟踪等任务必不可少的早期步骤，其性能直接影响到[Deep Face Recognition: A Survey]、[Biometric Recognition Using Deep Learning: A Survey]等任务的有效性。尽管在过去的几十年里，不受控制的人脸检测取得了巨大的进步，但在野外准确高效的人脸检测仍然是一个公开的挑战。这是由于姿势的变化、面部表情、比例、光照、图像失真、面部遮挡等因素造成的。
基于Faster-RCNN的人脸检测
年轻即出发，
02-11 6981
出自这篇文章，Face Detection with the Faster R-CNN文章主要使用Faster-RCNN框架，使用wider-face训练数据集进行人脸检测的训练。VGG基础框架的faceFaster-RCNN模型大小522M。 安装测试：git clone --recursive https://github.com/playerkk/face-py-faster-rcnn.gi...
学习笔记--目标检测1 Faster RCNN系列
weixin_42630613的博客
06-23 440
一、 张量有shape---tensor.shape PIL有size--img.size
学习笔记-目标检测、定位、识别（RCNN，Fast-RCNN, Faster-RCNN，Mask-RCNN，YOLO，SSD 系列）
Briwisdom的博客
10-25 5235
0. 前言 说到深度学习的目标检测，就要提到传统的目标检测方法。 传统的目标检测流程： 1）区域选择（穷举策略：采用滑动窗口，且设置不同的大小，不同的长宽比对图像进行遍历，时间复杂度高） 2）特征提取（SIFT、HOG等；形态多样性、光照变化多样性、背景多样性使得特征鲁棒性差） 3）分类器（主要有SVM、Adaboost等） 基于深度学习的目标检测问题从2014年至今已经经历过RCNN...
RCNN Fast R-CNN Faster R-CNN总结（学习笔记）
CHEN77的博客
11-22 2046
Anchor box是怎么作用到RPN中的？网络是如何学习到分类和回归的呢？在RPN训练时，传给它的不是全部的特征图吗？是如何实现从全部特征图中将特定选择好的256个anchor box放入其中进行训练的呢？
深度学习笔记之目标检测算法系列（包括RCNN、Fast RCNN、Faster RCNN和SSD）
weixin_34032621的博客
11-07 139
•RCNN RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。 算法可以分为四步： 1）候选区域选择 Re...
Faster RCNN总结（优缺点说明）
weixin_45564943的博客
12-16 1万+
# 两种特殊卷积：转置卷积和空洞卷积 [TOC] ![image-20211211175809006](https://gitee.com/aaalds/aaalds_note/raw/master/image-20211211175809006.png) ## 1.转置卷积 ##### 简介： ​ 我们一般可以通过卷积操作来实现高维特征到低维特征的转换。比如在一 维卷积中，一个5维的输入特征，经过一个大小为3的卷积核，其输出为3维特征。 如果设置步长大于1，可以进一步降低输出特征的...
走近人脸检测（3）——R-CNN 系列
zchang81的博客
05-10 4509
在2013年底，深度学习给目标检测任务点起了一把火，这个火种就是R-CNN，其中R对应于“Region(区域)”，意指CNN以图像区域作为输入，这个工作最终发展成了一个系列，也启发和衍生出了大量的后续工作，这一场大火简直烧红了计算机视觉领域的半边天。
【文献导读】 Faster R-CNN人脸检测
AI_girl的博客
10-24 1227
一、文章背景 文章题目《Face Detection with the Faster R-CNN》 文章下载地址：https://arxiv.org/abs/1606.03473 二、文章导读 （一）文章摘要部分： The Faster R-CNN has recently demonstrated impressive results on various object detecti...
FasterRCNN与RCNN概述
FPGA/MATLAB学习教程/源码/项目合作开发
03-25 1589
3*3滑窗中心点位置，对应预测输入图像3种尺度（128,256,512），3种长宽比（1:1,1:2,2:1）的regionproposal，这种映射的机制称为anchor，产生了k=9个anchor。在Faster R-CNN中，R表示的是RPN(Region Proposal Networks)的网络，专门用来推荐候选区域的，RPN可以理解为一种全卷积网络，该网络可以进行end-to-end的训练，最终目的是为了推荐候选区域。根据这些定义，我们对目标函数Fast R-CNN中的多任务损失进行最小化。
Faster R-CNN - 目标检测详解
热门推荐
长风破浪会有时，直挂云帆济沧海
02-11 8万+
Faster R-CNN - 目标检测详解 [原文 - Faster R-CNN: Down the rabbit hole of modern object detection] 学习别人对于 Faster R-CNN 的理解，结合自己的理解，以掌握忽略的点. Object detection: an overview in the age of Deep Learning 已经对...
Windows下Faster RCNN用于人脸检测的训练和demo
queluying的博客
02-25 4907
首先，这是一篇没搞懂为什么但是做出来了东西的博客。主要用于本人备忘，参考价值有限。Faster RCNN用于人脸识别已经有一些人做过，我只是一个重现者。有篇《Face Detection with the Faster R-CNN》的paper讲述了相关内容，大致意思就是用WIDER FACE库去训练模型。因此，我尝试了此种方法。按照惯例，感谢以下链接的作者给我的参考：https://www.cn...
faster-rcnn用于训练人脸识别数据集wider_face
inner_sum的博客
06-08 2768
数据接口修改：参考博客（caffe版本与tf版本工程结构一致，可相互借鉴）：http://jacobkong.github.io/posts/464905881/http://jacobkong.github.io/posts/4113466123/用于自己标注的数据时出现额外报错如下：Nan in summary histogram xxx：错误来源：数据Annotations中xml文件标记框...
人脸检测之Improved Faster R-CNN
LeeWanzhi的博客
05-08 1759
之前用faster r-cnn做object detection，感觉非常好。这篇文章对faster r-cnn做了一些改进，进行人脸检测。 下面就讲下做了哪些改进。 0. Overview 先看下整体的流程 基础网络采用VGG-16 (1)首先用wilder face对faster r-cnn进行预训练。 (2)难例挖掘 (3)fine-tuning(这一过程涉及本文的3大...
【pytorch】深度学习 线性回归训练 参数w，b如何进行反向传播详解（附推导公式，证明及代码）
miracleoa的博客
04-19 3280
文章目录一、线性回归训练的代码与结果（1）代码（2）结果二、w和b反向传播的计算过程（1）下面详解如何计算```w.grad```和```b.grad```：三、对理论进行证明测试（1）相关代码块（2）结果及分析（3）完整的测试代码四、参考 一、线性回归训练的代码与结果 （1）代码 import random import numpy as np import torch def data_...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值