0
点赞
收藏
分享

微信扫一扫

Faster rcnn理论

RPN

深度学习网络 | FPN和fast rcnn及RPN网络是如何结合的细节
Faster rcnn = Fast rcnn + RPN
在这里插入图片描述
Faster R-CNN详解
在这里插入图片描述

在这里插入图片描述

  • 卷积层:提取特征
  • RPN(region proposal network):生成候选区域,替换了之前的search selective.
    在这里插入图片描述
  • ROI Pooling:输入特征提取的map和PRN的proposals
    在这里插入图片描述
  • 分类和回归
    在这里插入图片描述

bilibili

睿智的目标检测27——Pytorch搭建Faster R-CNN目标检测平台
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

  • 首先将短边resize到600,长款比不变,图像不会失真 M*N

  • 在这里插入图片描述

  • 共享特征层38381024,相当于把输入的图片划分为38*38个网格,每个网格有9个先验框

  • 两个1*1的卷积的预测结果 判断先验框内是否包含物体

  • 对先验框进行调整,为建议框

  • 9*2(判断先验框是否包含物体,2是背景和物体概率)

  • 9*4(4,先验框的调整参数,4个参数确定一个框,获得建议框)

  • 两次卷积之后获得建议框
    在这里插入图片描述

  • 建议框和共享特征层结合,传入ROIpooling,根据建议框对共享特征层进行截取

  • 建议框获得的大小不是一样的,截取的局部特征层大小不一样,ROIpooling对所有的局部特征层进行分区域的池化,获得的局部特征层大小一样

  • 对所有局部特征层进行分类预测和回归预测,回归预测的结果直接对我们的建议框进行调整,获得预测框

  • 分类预测的结果判断建议框内部是否包含物体,和种类,获得预测框和种类

  • 分类预测的结果建议框是否包含物体,回归预测的结果对建议框进行调整,获得预测框

获得proposal建议框

举报

相关推荐

0 条评论