万网服务器网站建设,莒县网页定制,海外服务器租用平台,国外的设计网站app目录 一、Fast R-CNN如何生成候选框特征矩阵
二、 关于正负样本的解释
三、训练样本的候选框
四、Fast R-CNN网络架构
4.1 分类器
4.2 边界框回归器 一、Fast R-CNN如何生成候选框特征矩阵 在R-CNN中#xff0c;通过SS算法得到2000个候选框#xff0c;则需要进行2000…目录 一、Fast R-CNN如何生成候选框特征矩阵
二、 关于正负样本的解释
三、训练样本的候选框
四、Fast R-CNN网络架构
4.1 分类器
4.2 边界框回归器 一、Fast R-CNN如何生成候选框特征矩阵 在R-CNN中通过SS算法得到2000个候选框则需要进行2000次正向传播 得到2000个特征 —— 很冗余 ——很多重叠部分计算计算一次就可以。 在Fast R-CNN中直接将整张图片送入CNN得到这张图片的特征图再根 据候选框与原图的关系映射到特征图上就不需要重复运算了。——大幅度提 升Fast R-CNN的运算速度
二、 关于正负样本的解释 在Fast R-CNN网络训练过程中并不会使用SS算法提供的所有候选框SS 算法生成大约2000个候选框只需使用一小部分的数据即可。对于采样数 据它分为“正样本”和“负样本”。 正样本候选框中确实存在所需检测目标前景的样本 负样本候选框中没有所需检测目标背景的样本
为什么要将样本分为正样本和负样本呢 假如我们要训练一个猫狗分类器如果猫的样本数量远大于狗的样本数量 数据不平衡网络在预测时会更偏向于“猫”很明显这样是不对的。如果数 据中全是“猫”的样本 没有“狗”的样本那么网络预测几乎一定会出现问题。 同理在训练Fast R-CNN时如果数据中全部都是正样本那么网络就会 很大概率认为候选区域是所需要检测的目标可能这个框明明框住的是背景 但网络仍会认为这个被框住的背景是有用的是一个前景这时网络肯定会 出问题。所以数据要分为正样本和负样本。 在原论文中对于每一张图片从2000个候选框中采集64个候选框。这64 个候选框一部分框的是正样本一部分框的是负样本。那么正样本是如何定 义的呢 只要候选框与真实框GT的IoU大于0.5则认定为正样本反之认定为 负样本。
三、训练样本的候选框 原理 左边图其实是一个经过特征提取的特征图本身可视化出来也是很抽象 的这里只是为了方便理解使用了RGB图像。 具体实现为将特征图划分为 7×7 个小块对其每一小块执行MaxPooling 这样处理对输入特征图的尺寸没有要求了无论怎样都可以缩放到7×7 - 在R-CNN中输入图像被限定为227×227而在Fast R-CNN中输入图像尺寸 不再被限制。 这里忽略了Channel维度和最大池化一样有几个通道就做几次最后 concat就可以了。
四、Fast R-CNN网络架构
4.1 分类器 4.2 边界框回归器 d x , d y 用 来 调 整 候 选 框 中 心 坐 标 的 回 归 参 数
d w , d h 用 来 调 整 候 选 框 宽 度 和 高 度 的 回 归 参 数
