人工智能：物體檢測之Faster RCNN模型

• 物體檢測
• Faster RCNN模型
• • 簡介
  • 卷積層
  • RPN
  • Roi Pooling
  • Classifier

物體檢測

• 什么是物體檢測
  
• 物體檢測應用場景
  
  
  
• 物體檢測開源數據集
  
  

Faster RCNN模型

簡介

• Faster RCNN由Ross Girshick等人于2016年將其用于目標檢測任務中，與傳統RCNN相比，利用RPN（Region Proposal Networks）完成候選框的選擇，Faster RCNN的結構如下所示。
  

• Faster R-CNN模型分為兩部分，一是RPN（Region Proposal Network），二是Faster R-CNN。

• RPN包括proposal和conv layers，Faster R-CNN包括卷積層、ROI Pooling及后面的全連接層部分。

• 首先將整張圖片輸入CNN，提取圖片的features maps，再將圖片特征輸入RPN，得到候選框的特征信息。

• RPN對于候選框提出的特征，使用分類器判別是否屬于待識別的目標，將屬于某一類別的候選框，用回歸器進一步調整其位置。

• 最后將目標框和圖片特征向量輸入到Roi Pooling中層，再通過分類器進行分類，完成目標檢測的任務。RPN能夠協助Fast RNN將注意力集中在候選框中。

卷積層

• Faster RCNN首先將整張圖片輸進CNN，提取圖片的feature map，再將其輸入到到RPN，得到候選框的特征信息。
• 這里采用VGG16完成feature map的提取。
• 卷積層是被RPN和Fast R-CNN兩部分共享的。

RPN

• 相比于Fast RCNN,Faster R-CNN引入RPN(Region Proposal Network)完成候選框的提取，使得算法效率得到進一步提升。
• RPN將任意尺寸大小的圖片作為輸入，輸出若干個矩形候選框。為了生成區域候選框，在卷積層最后一層feature map上滑動一個(nn)的網絡,將卷積生成的feature map與(nn)的窗口進行卷積運算。
• 每一個滑動窗口都映射為一個更低維的特征。得到的特征送入兩個分支中，一個用于框分類，另一個用于框回歸。此網絡執行滑動窗口形式，所有空間位置都共享全連接層。

Roi Pooling

• Fast R-CNN改進了R-CNN,應用了Roi Pooling。
• 由于在全連接層，需要輸入固定大小的特征向量，R-CNN網絡經過warp操作統一成固定的大小再送入后續網絡，導致圖像的變形和扭曲。
• 而且每一個proposal均需要單獨進行特征提取，重復計算量大。
• Poipooling通過卷積計算將圖像統一成固定大小的特征向量。
• Roi Pooling的輸入是卷積層得到的feature map和RNP得到的anchor，將其分割成7 * 7大小的子窗口，對每個子窗口進行max-pooling操作，輸出ROI(region of interest)的feature map。輸入后續的全連接層判斷目標。

Classifier

在這一步，分類器完成對候選區域的檢測。利用RoI feature maps計算ROI類別，同時再次bounding box regression獲得目標最終的位置。

總結

以上是生活随笔為你收集整理的人工智能：物体检测之Faster RCNN模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。