RCNN的理解

一妆兑、IOU的理解

物體檢測時需要定位出物體的bounding box,與此同時還要識別出bounding box中的物體是什么季惯。因此對于bounding box的定位精度有個重要新概念I(lǐng)OU(算法標(biāo)注和人工標(biāo)注的數(shù)據(jù)肯定不能百分之百匹配)如圖戒努。

IOU定義了兩個bounding box的重疊度奉件。

矩形框A、B的重疊度IOU計(jì)算方法:IOU=(A∩B)/(A∪B)

A痴鳄、B矩形框的重疊面積與他們面積的并集之比瘟斜。

二、非極大值抑制

對于RCNN來說痪寻,會從圖中找出多個可能是物體的矩形框螺句,然后為這些矩形框做類別分類概率,如下圖橡类,定位一個車輛蛇尚,檢測出多個可能是車輛的矩形框,我們此時需要判斷哪些框有用哪些無用顾画。

非極大值抑制:假設(shè)檢測出6個框取劫,分別叫ABCDEF匆笤,根據(jù)分類器的分類概率進(jìn)行排序,假設(shè)從大到小的概率為ABCDEF

? 第一步谱邪、將概率最大的框A炮捧,分別與BCDEF框計(jì)算出IOU是否大于某個閾值(閾值是設(shè)定的)

? 第二步、假設(shè)BC與A的IOU大于閾值惦银,則丟去BC咆课,然后標(biāo)記A是我們保留的

? 第三步、此時剩下DEF扯俱,從DEF中選擇概率最大的D书蚪,讓EF分別與D計(jì)算IOU值,如果大于閾值則丟去迅栅,標(biāo)記D為我們保留的

? 第四步殊校、不斷重復(fù),找到所有被保留下來的矩形框

三读存、RCNN

算法思想:1.找出候選框? ?2.用CNN對其提取特征向量? 3用SVM進(jìn)行特征向量分類如圖

RCNN思想

3.1搜索候選框

當(dāng)給出一張圖片時为流,我們需要搜索出所有可能是物體的區(qū)域,采用的算法是Selective Search宪萄,通過該算法艺谆,找到2000多個候選框榨惰。從上圖可知拜英,候選框都是矩形,但是大小不同琅催,根據(jù)步驟居凶,接下來是進(jìn)行cnn特征提取,但是我們知道藤抡,CNN對輸入圖片的大小是固定的侠碧,因此對于候選框我們需要縮放到固定大小。方法:

1).各向異性縮放

不管圖片長寬比例缠黍,不管是否扭曲弄兜,只管縮放到cnn要求的比例。圖(D)

2).各向同性縮放

考慮到圖片扭曲會對分類精度有影響瓷式,提出各向同性縮放

a.將bounding box的邊界向外延伸替饿,使圖片成正方形,然后裁剪贸典。如果延伸到原來圖片的外邊界视卢,則用bounding box中的顏色補(bǔ)齊。圖B

b.先將bounding box中的圖片裁剪出來廊驼,然后用固定的背景顏色填充成正方形(背景顏色是bounding box的像素顏色均值)圖C


得到指定大小的圖片后据过,我們用IOU為這些候選框打標(biāo)簽惋砂,如果用算法selective search挑選出來的候選框與與人工標(biāo)注的候選框的IOU大于0.5,則該候選框標(biāo)注為物體绳锅,否則標(biāo)注為背景類別西饵。

3.2.網(wǎng)絡(luò)初始化

直接用Alexnet的網(wǎng)絡(luò),然后連參數(shù)也是直接采用它的參數(shù)鳞芙,作為初始的參數(shù)值罗标,然后再fine-tuning訓(xùn)練

假設(shè)要檢測的物體類別有N類,那么我們就需要把上面預(yù)訓(xùn)練階段的CNN模型的最后一層給替換成N+1個輸出的神經(jīng)元(加1积蜻,表示還有一個背景)闯割,然后這一層直接采用參數(shù)隨機(jī)初始化的方法,其它網(wǎng)絡(luò)層的參數(shù)不變竿拆;接著就可以開始繼續(xù)SGD訓(xùn)練了宙拉。開始的時候,SGD學(xué)習(xí)率選擇0.001丙笋,在每次訓(xùn)練的時候谢澈,我們batch size大小選擇128,其中32個正樣本御板、96個負(fù)樣本锥忿。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市怠肋,隨后出現(xiàn)的幾起案子敬鬓,更是在濱河造成了極大的恐慌,老刑警劉巖笙各,帶你破解...
    沈念sama閱讀 222,946評論 6 518
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件钉答,死亡現(xiàn)場離奇詭異,居然都是意外死亡杈抢,警方通過查閱死者的電腦和手機(jī)数尿,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,336評論 3 399
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來惶楼,“玉大人右蹦,你說我怎么就攤上這事〖呔瑁” “怎么了何陆?”我有些...
    開封第一講書人閱讀 169,716評論 0 364
  • 文/不壞的土叔 我叫張陵,是天一觀的道長窥岩。 經(jīng)常有香客問我甲献,道長,這世上最難降的妖魔是什么颂翼? 我笑而不...
    開封第一講書人閱讀 60,222評論 1 300
  • 正文 為了忘掉前任晃洒,我火速辦了婚禮慨灭,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘球及。我一直安慰自己氧骤,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,223評論 6 398
  • 文/花漫 我一把揭開白布吃引。 她就那樣靜靜地躺著筹陵,像睡著了一般。 火紅的嫁衣襯著肌膚如雪镊尺。 梳的紋絲不亂的頭發(fā)上朦佩,一...
    開封第一講書人閱讀 52,807評論 1 314
  • 那天,我揣著相機(jī)與錄音庐氮,去河邊找鬼语稠。 笑死,一個胖子當(dāng)著我的面吹牛弄砍,可吹牛的內(nèi)容都是我干的仙畦。 我是一名探鬼主播,決...
    沈念sama閱讀 41,235評論 3 424
  • 文/蒼蘭香墨 我猛地睜開眼音婶,長吁一口氣:“原來是場噩夢啊……” “哼慨畸!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起衣式,我...
    開封第一講書人閱讀 40,189評論 0 277
  • 序言:老撾萬榮一對情侶失蹤寸士,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后瞳收,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體碉京,經(jīng)...
    沈念sama閱讀 46,712評論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡厢汹,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,775評論 3 343
  • 正文 我和宋清朗相戀三年螟深,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片烫葬。...
    茶點(diǎn)故事閱讀 40,926評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡界弧,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出搭综,到底是詐尸還是另有隱情垢箕,我是刑警寧澤,帶...
    沈念sama閱讀 36,580評論 5 351
  • 正文 年R本政府宣布兑巾,位于F島的核電站条获,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏蒋歌。R本人自食惡果不足惜帅掘,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,259評論 3 336
  • 文/蒙蒙 一委煤、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧修档,春花似錦碧绞、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,750評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至院峡,卻和暖如春兴使,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背照激。 一陣腳步聲響...
    開封第一講書人閱讀 33,867評論 1 274
  • 我被黑心中介騙來泰國打工鲫惶, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人实抡。 一個月前我還...
    沈念sama閱讀 49,368評論 3 379
  • 正文 我出身青樓欠母,卻偏偏與公主長得像,于是被迫代替她去往敵國和親吆寨。 傳聞我的和親對象是個殘疾皇子赏淌,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,930評論 2 361

推薦閱讀更多精彩內(nèi)容