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(yīng)用場景
  
  
  
• 物體檢測開源數(shù)據(jù)集
  
  

Faster RCNN模型

簡介

• Faster RCNN由Ross Girshick等人于2016年將其用于目標(biāo)檢測任務(wù)中，與傳統(tǒng)RCNN相比，利用RPN（Region Proposal Networks）完成候選框的選擇，Faster RCNN的結(jié)構(gòu)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(shí)別的目標(biāo)，將屬于某一類別的候選框，用回歸器進(jìn)一步調(diào)整其位置。

• 最后將目標(biāo)框和圖片特征向量輸入到Roi Pooling中層，再通過分類器進(jìn)行分類，完成目標(biāo)檢測的任務(wù)。RPN能夠協(xié)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(jìn)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(jìn)一步提升。
• RPN將任意尺寸大小的圖片作為輸入，輸出若干個(gè)矩形候選框。為了生成區(qū)域候選框，在卷積層最后一層feature map上滑動(dòng)一個(gè)(nn)的網(wǎng)絡(luò),將卷積生成的feature map與(nn)的窗口進(jìn)行卷積運(yùn)算。
• 每一個(gè)滑動(dòng)窗口都映射為一個(gè)更低維的特征。得到的特征送入兩個(gè)分支中，一個(gè)用于框分類，另一個(gè)用于框回歸。此網(wǎng)絡(luò)執(zhí)行滑動(dòng)窗口形式，所有空間位置都共享全連接層。

Roi Pooling

• Fast R-CNN改進(jìn)了R-CNN,應(yīng)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(wǎng)絡(luò)經(jīng)過warp操作統(tǒng)一成固定的大小再送入后續(xù)網(wǎng)絡(luò)，導(dǎo)致圖像的變形和扭曲。
• 而且每一個(gè)proposal均需要單獨(dú)進(jìn)行特征提取，重復(fù)計(jì)算量大。
• Poipooling通過卷積計(jì)算將圖像統(tǒng)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(gè)子窗口進(jìn)行max-pooling操作，輸出ROI(region of interest)的feature map。輸入后續(xù)的全連接層判斷目標(biāo)。

Classifier

在這一步，分類器完成對候選區(qū)域的檢測。利用RoI feature maps計(jì)算ROI類別，同時(shí)再次bounding box regression獲得目標(biāo)最終的位置。

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。