国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

Faster R-CNN理解

Lorry_Lu / 1748人閱讀

摘要：為了不重新構建后續的網絡也沒必要重新構建最后的網絡，共享卷積層是最好的選擇。

一.簡介

在R-CNN中的roi都是獨自傳入到經過與訓練的CNN的分類器和box-regression中去造成了對應每個roi都要經過獨自的卷積操作十分耗時，Fast-RCNN解決了沒有共享卷積層的問題，但是他們共同使用的selective search的邊框生成方法過于復雜，成為了計算時間的一個瓶頸，因為Fast-RCNN在確定ROI后可以在GPU上運行，但是selective rearch是不可以的，它只能在cpu上運行，因此這大大制約了系統的時間提升，那么作者提出將roi的選擇也置于GPU上就可以大大加快Fast-Rcnn的預測。因此作者又提出了Faster-RCNN使用RPN的邊框生成算法而徹底的拋棄了selective的算法。
因此在這篇文章中作者提出了在特征圖上對ROI進行選擇，這樣就可以使用GPU和共享fast-Rcnn的主要結構，在Fast-RCNN的最后一層特征圖上我們構造一個RPN,通過添加一個額外的用來同時進行物體識別和邊框回歸的卷積層，因此這是一個全連接網絡，因為我們需要進行邊框的回歸就必須輸出四個偏移量，外加判斷是否為背景的邊框識別，這都是依靠全連接層的將為操作才能實現的。
同時為了統一Fast-Rcnn和RPN作者提出了一個訓練方案，使用fine-tuning在訓練區域判斷任務和已確定區域的Fast-RCNN中進行交替迭代，這個方法的收斂效果很好，并且產生了卷積層共享的統一結構，置于RPN為何要和Fast-Rcnn要在卷積層保持結構的不變性，主要的原因在于這幅圖


在實現的時候，proposals的生成網絡需要從最后的卷積層中提取一個256d的特征來確定原始的ROIs同時判斷值是否為背景只有在確定了這兩項后才能送入到Fast-Rcnn中進行boxing-regression和判斷物體的種類。為了不重新構建后續的網絡也沒必要重新構建最后的網絡，共享卷積層是最好的選擇。

二.相關工作

1.proposals生成
2物體檢測的深度網絡
在R-Cnn中我端到端的對物體進行分類來判斷它屬于物體的哪一類或者背景，同時對于每個類都會生成所對應的邊框回歸的參數，在判斷好哪一類后就可以選擇對應的邊框回歸參數！R-CNN僅僅相當于一種分類器，他的準確率極大的取決于他的邊框區域生成模型，在 OverFeat 方法中，一個全連接層被訓練來預測邊框的坐標，注意是坐標不是回歸量，然后被送到一層用來檢測類確定的物體的回歸。在 MultiBoxs方法中，該連接層在確定原始坐標后，它產生的是多種類不確定的邊框回歸，也就是說這兩個方法中，第一種是在確定了類別后使用特定類的參數來進行邊框回歸的，但是第二種是將邊框回歸和物體分類獨立起來了，需要產生更多的參數，在作者的模型中采用的是第一種方法

三.Faster-Rcnn


Faster-Rcnn的結構如上，由兩個部分組成，一個是深度全卷積網絡來產生proposals信息，第二個是使用proposals的Fast-Rcnn detector，RPN來告訴Fast-Rcnn需要看那個區域

1.Region Proposal Networks(RPN)

RPN網絡將一整幅圖片（大小無所謂）作為輸入，輸出一些矩形框，且每一個都有非背景得分，為了產生位置區域，我們在輸出特征圖的最后一層使用n*n的子框從最后一層的卷積特征圖上提取特征，之后將特征隱射到256d的區域中（我的理解就好在是顏色的三基色一樣，通過映射，就可以判斷這是背景與否），然后將這256d的數據送入的兩個全連層中分別用來判斷這是否為背景的（cls）與邊框回歸（reg）在本文中我們設置n=3，因為接收域太大了過程如下

2.Anchors

在窗口滑動的過程中，我們同時預測了多個區域 proposals，對于每個邊框最大可能的形狀有k種，因此CLS有2k個輸出（即該形狀的參考邊框是否是背景），reg有4k個輸出（及對該邊框如何進行回歸），同一個location的k種proposals我們稱之為anchor，而它可以通過中心點已經縮放度和長寬比來定義，我們通常使用3種縮放比例和3種長寬比來默認初始化一個anchor，那么整個特征圖就有MHK個anchor了

3.Translation-Invariant Anchors

如果一個物體被翻轉了，那么我們的proposal也應該能夠翻轉并且使用相同的函數可以預測它，這樣翻轉不變性在我們的anchor中可以得到保障對比之下MultiBox方法使用k均值算法來產生800，并不具備翻轉不變性，也就是說在一個objection在翻轉后我們的方法在相同的參數下都能準確的預測到它的proposal，這就是那4k數量的作用了，如果是在確定了使用某個類型的anchor就會損失這樣的性質。同時也減少了我們的輸出的數量也就導致了參數的減少。

4.Multi-Scale Anchors as Regression References

對于不同大小的圖片輸入情況，傳統的做法有兩種
1.對圖像進行多尺度的縮放后獨自計算各自的特征圖，但是這太耗時間了
2.使用不同的大小的bounding-boxing來對objection進行判別，而所謂的不同大小就是金字塔型的

我們的anchors的方法就參考了金字塔濾波，為什么要這么說尼？因為我們同一個特征圖區域對應9種proposals，很明顯就是金字塔濾波。正是這種類似于金字塔濾波的設計，我們能夠在沒有添加其他損失項的情況下解決不同大小的目標問題！

5.Loss Function

在訓練RPNs的時候我們對每個anchor指定了一個二值標簽，我們對以下兩種anchor判定為正的
1.與 ground-truth box有著最高的iou的那些anchor
2.iou高于0.7的那些anchor

那么我們的損失函數如上，其中i是mini-batch中第i個索引pi是i個anchor為物體的概率 p i?為正標簽（1）如果該anchor滿足上面的條件1，2，后面一項如Fast-Rcnn的定義相同

2.Training RPNs

RPN可以通過反向傳播或者SGD來進行訓練每個mini-batch都來源于一幅圖且包含了多個正的和負的案例anchors,優化這樣的loss是可能的，但是這回會出現一個問題，會趨向于將所有的anchors都訓練為負樣本，因此我們選擇從一幅圖中選取出256幅anchors其中正負樣本的比例是1：1，如果一幅圖中正樣本的數量少于128，就使用負樣本補上

1.Sharing Features for RPN and Fast R-CNN

到現在為止我們已經說明了RPN是產生區域proposals的，當時還未說明如何使用CNN進行識別，對于其中的目標識別我們采用R-CNN，并且我們使用共享卷積層的由RPN和F-Rcnn組成的聯合結構，由于RPN和F-RCNN分開訓練會產生不一樣的卷積層參數，因此需要一項技術來讓這兩個網絡共享卷積層，而不是獨立的訓練兩個分離的網絡，在這里我們有三種訓練方法：
1.交替訓練
我們首先訓練RPN，然后使用這些proposals來訓練F-RCNN ，之后再使用參數初始化RPN，如此迭代
2.近似聯合訓練

在SGD的過程中，在訓練的時候先前向傳播，產生proposals后就認為proposals是固定的，預訓練好的，接著訓練FRCNN，損失函數是他們共同的損失函數，這種方法同時迭代兩個網絡的參數，作者認為效果不是很好

四：總結

faster rcnn 在fast rcnn 的基礎上消除了ss的過程，縮短了時間，具體的解釋在后續的代碼部分解釋

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/41229.html

相關文章

  • CNN 在圖像分割中的簡史：從 R-CNN 到 Mask R-CNN

    摘要：這個像素級別的圖像分割問題被等科學家解決，這個框架被稱為。由于圖像分割需要做到像素級，這與邊框分割不同，所以必然導致不準確。 作者：chen_h微信號 & QQ：862251340微信公眾號：coderpai簡書地址：https://www.jianshu.com/p/867... 自從?Alex Krizhevsky, Geoff Hinton, and Ilya Sutskeve...

    AJie 評論0 收藏0

  • 用于圖像分割的卷積神經網絡：從R-CNN到Mark R-CNN

    摘要：自從和在年贏得了的冠軍，卷積神經網絡就成為了分割圖像的黃金準則。事實上，從那時起，卷積神經網絡不斷獲得完善，并已在挑戰上超越人類?，F在，卷積神經網絡在的表現已超越人類。 卷積神經網絡（CNN）的作用遠不止分類那么簡單！在本文中，我們將看到卷積神經網絡（CNN）如何在圖像實例分割任務中提升其結果。自從 Alex Krizhevsky、Geoff Hinton 和 Ilya Sutskever ...

    daydream 評論0 收藏0

  • 像玩樂高一樣拆解Faster R-CNN：詳解目標檢測的實現過程

    摘要：這一切始于年的一篇論文，其使用了稱為的算法用來提取感興趣候選區域，并用一個標準的卷積神經網絡去分類和調整這些區域。 本文詳細解釋了 Faster R-CNN 的網絡架構和工作流，一步步帶領讀者理解目標檢測的工作原理，作者本人也提供了 Luminoth 實現，供大家參考。Luminoth 實現：https://github.com/tryolabs/luminoth/tree/master/l...

    taoszu 評論0 收藏0

  • 斯坦福：「目標檢測」深度學習全面指南

    摘要：然而，幸運的是，目前更為成功的目標檢測方法是圖像分類模型的擴展。幾個月前，發布了一個用于的新的目標檢測。 隨著自動駕駛汽車、智能視頻監控、人臉檢測和各種人員計數應用的興起，快速和準確的目標檢測系統也應運而生。這些系統不僅能夠對圖像中的每個目標進行識別和分類，而且通過在其周圍畫出適當的邊界來對其進行局部化（localizing）。這使得目標檢測相較于傳統的計算機視覺前身——圖像分類來說更加困難...

    Harpsichord1207 評論0 收藏0

發表評論

0條評論

最新活動
閱讀需要支付1元查看
<