0
点赞
收藏
分享

微信扫一扫

CVPR | 经典再现,全内容跟踪

今天给大家带来的是CVPR会议上一些经典网络的再现,希望可以给感兴趣的朋友带来一些帮助,也可以给大家带来一些经典的回顾,知识的巩固,谢谢!




R-CNN

CVPR | 经典再现,全内容跟踪_目标检测

看到这Paper,估计懂的人都熟悉透了,估计很多人不只看过一边,确实是经典之作,掀起了目标检测的巨幕。

CVPR | 经典再现,全内容跟踪_深度学习_02

R-CNN主要有两个见解:

1)CNN对分类已经非常成功;

2)监督的预训练去目标检测。


主要由三部分组成:

CVPR | 经典再现,全内容跟踪_特征提取_03

第一部分:区域候选

CVPR | 经典再现,全内容跟踪_特征提取_04

R-CNN采用的Selective Search方法。(个人感觉不是很好,复杂度太高,后期会和大家说如何提高候选BB的效率。

第二部分:特征提取

CVPR | 经典再现,全内容跟踪_特征提取_05

R-CNN采用了AlexNet网络进行特征提取,最后获得了4096维特征表示。

CVPR | 经典再现,全内容跟踪_目标检测_06

第三部分:线性分类器SVM分类

CVPR | 经典再现,全内容跟踪_目标检测_07


训练(通过IoU判别正负样本

CVPR | 经典再现,全内容跟踪_目标检测_08

Bounding Box的回归


CVPR | 经典再现,全内容跟踪_目标检测_09

通过迭代循环,使预测的BB无限接近GT。因为在预测过程中会出现很多BB,所以最后通过非极大值抑制(NMS)得到最后的BB,最后通过平均获得最后预测的BB。

测试时间(效率也是大家普遍关注的问题CVPR | 经典再现,全内容跟踪_特征提取_10

从中可以看出,该方法远远达不到实时处理的效果,但是这给目标检测铺好了完美的垫脚石,为后期涌现出各种出类拔萃的Nets。

CVPR | 经典再现,全内容跟踪_特征提取_11



SPPnet

CVPR | 经典再现,全内容跟踪_特征提取_12

主要解决的问题就是R-CNN不同尺度的输入问题和效率问题。

CVPR | 经典再现,全内容跟踪_特征提取_13

通过空间金字塔池化层的转换,将不同尺度的输入都转换为相同维度的特征表示。

CVPR | 经典再现,全内容跟踪_特征提取_14

CVPR | 经典再现,全内容跟踪_特征提取_15


Fast R-CNN

CVPR | 经典再现,全内容跟踪_特征提取_16

从该进化过程可以看出,在不断的提高效率是最大的主线,现在开始也要提高精度。

CVPR | 经典再现,全内容跟踪_特征提取_17

这种方法大大提高了RP的效率,在最后的卷积层得到目标感兴趣区域映射,通过ROI Pooling得到目标的特征表示。

CVPR | 经典再现,全内容跟踪_目标检测_18



Faster R-CNN

CVPR | 经典再现,全内容跟踪_深度学习_19

CVPR | 经典再现,全内容跟踪_特征提取_20

通过不同尺寸和比例去获得BBs。通过网络自己的去得到。

CVPR | 经典再现,全内容跟踪_特征提取_20

CVPR | 经典再现,全内容跟踪_深度学习_22

CVPR | 经典再现,全内容跟踪_特征提取_23


CVPR | 经典再现,全内容跟踪_深度学习_24






举报

相关推荐

0 条评论