DL之R-CNN：R-CNN算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略

?

?

?

目錄

R-CNN算法的簡介(論文介紹)

0、R-CNN算法流程圖

1、實驗結果

R-CNN算法的架構詳解

R-CNN算法的案例應用

---

?

?

?

?

相關文章
DL之R-CNN：R-CNN算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略
DL之R-CNN：R-CNN算法的架構詳解
DL之FastR-CNN：Fast R-CNN算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略
DL之FasterR-CNN：Faster R-CNN算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略
?

R-CNN算法的簡介(論文介紹)

? ? ? ? ?R-CNN是用深度學習解決目標檢測問題的開山之作，2014年，第一次用深度學習來做傳統的目標檢測任務。
? ? ? ? ?羅斯·格希克(Ross Girshick)是Facebook人工智能研究(FAIR)的一名研究科學家，致力于計算機視覺和機器學習。2012年，他在Pedro Felzenszwalb的指導下獲得了芝加哥大學計算機科學博士學位。在加入FAIR之前，羅斯是微軟研究院(Microsoft Research)的研究員、雷德蒙德(Redmond)和加州大學伯克利分校(University of California, Berkeley)的博士后。他的興趣包括實例級對象理解和視覺推理挑戰，這些挑戰將自然語言處理和計算機視覺結合起來。他獲得了2017年PAMI青年研究員獎，并以開發用于目標檢測的R-CNN(基于區域的卷積神經網絡)方法而聞名。2017年，羅斯還憑借《面具R-CNN》獲得ICCV的Marr獎。
評價：RBG是這個領域神一樣的存在，后續的一些改進方法如Fast R-CNN、Faster R-CNN、YOLO等相關工作都和他有關。

?

Abstract ?
? ? ? ?Object detection performance, as measured on the ?canonical PASCAL VOC dataset, has plateaued in the last ?few years. The best-performing methods are complex ensemble ?systems that typically combine multiple low-level ?image features with high-level context. In this paper, we ?propose a simple and scalable detection algorithm that improves ?mean average precision (mAP) by more than 30% ?relative to the previous best result on VOC 2012—achieving ?a mAP of 53.3%. Our approach combines two key insights: ?(1) one can apply high-capacity convolutional neural networks ?(CNNs) to bottom-up region proposals in order to ?localize and segment objects and (2) when labeled training ?data is scarce, supervised pre-training for an auxiliary task, ?followed by domain-specific fine-tuning, yields a significant ?performance boost. Since we combine region proposals ?with CNNs, we call our method R-CNN: Regions with CNN ?features. We also compare R-CNN to OverFeat, a recently ?proposed sliding-window detector based on a similar CNN ?architecture. We find that R-CNN outperforms OverFeat ?by a large margin on the 200-class ILSVRC2013 detection ?dataset. Source code for the complete system is available at
http://www.cs.berkeley.edu/?rbg/rcnn.
摘要
? ? ? ?在過去的幾年中，通過標準的PASCAL VOC數據集測量，目標檢測性能已經趨于穩定。最有效的方法是復雜的集成系統，通常將多個低級圖像特征與高級上下文結合起來。在本文中，我們提出了一種簡單且可擴展的檢測算法，相對于之前VOC 2012的最佳結果，平均精度（MAP）提高了30%以上，實現了53.3%的MAP。我們的方法結合了兩個關鍵的觀點：（1）一種方法可以將大容量卷積神經網絡（CNN）應用于自下而上的區域方案，以便對對象進行定位和分段；（2）當標記的訓練數據不足時，為輔助任務進行有監督的預訓練，然后進行特定領域的微調，可以顯著提高性能。由于我們將region proposals與CNN結合起來，我們稱之為R-CNN方法：具有CNN特征的Regions。我們還將R-CNN與OverFeat 進行了比較，后者是一種基于類似CNN架構的滑動窗口探測器。我們發現，R-CNN在200-class ILSVRC2013檢測數據集上的優勢，遠遠超過了OverFeat 。完整系統的源代碼可在http://www.cs.berkeley.edu/?rbg/rcnn上找到。
Conclusion ?
? ? ? ?In recent years, object detection performance had stagnated. ?The best performing systems were complex ensembles ?combining multiple low-level image features with ?high-level context from object detectors and scene classifiers. ?This paper presents a simple and scalable object detection ?algorithm that gives a 30% relative improvement ?over the best previous results on PASCAL VOC 2012. ?
? ? ? ?We achieved this performance through two insights. The ?first is to apply high-capacity convolutional neural networks ?to bottom-up region proposals in order to localize ?and segment objects. The second is a paradigm for training ?large CNNs when labeled training data is scarce. We ?show that it is highly effective to pre-train the network— ?with supervision—for a auxiliary task with abundant data ?(image classification) and then to fine-tune the network for ?the target task where data is scarce (detection). We conjecture ?that the “supervised pre-training/domain-specific finetuning” ?paradigm will be highly effective for a variety of ?data-scarce vision problems. ?
? ? ? ?We conclude by noting that it is significant that we achieved these results by using a combination of classical tools from computer vision and deep learning (bottomup region proposals and convolutional neural networks). Rather than opposing lines of scientific inquiry, the two are natural and inevitable partners.
結論
? ? ? ?近年來，目標檢測性能停滯不前。性能最好的系統是將多個低級圖像特征與來自對象檢測器和場景分類器的高級上下文相結合的復雜集成。本文提出了一種簡單且可擴展的目標檢測算法，該算法比之前在PASCAL VOC 2012上獲得的最佳結果有30%的相對改進。
? ? ? ?我們通過兩個視角來實現這一性能。第一種方法是將大容量卷積神經網絡應用于自下而上的區域方案，以實現目標的定位和分段。第二種模式是在標記訓練數據稀缺的情況下訓練大型CNN。結果表明，對一個數據豐富的輔助任務（圖像分類）進行預訓練，然后對數據稀缺的目標任務（檢測）進行網絡微調，是一種非常有效的方法。我們推測，“有監督的預訓練/特定區域微調”范式對于各種數據稀缺的視覺問題將非常有效。
? ? ? ?最后，我們注意到，我們通過結合計算機視覺和深度學習(自下而上的區域建議和卷積神經網絡)的經典工具，取得了這些成果，這是非常重要的。兩者不是對立的科學探究路線，而是自然的、不可避免的合作伙伴。

論文
Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik.
Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. CVPR 2014
https://arxiv.org/abs/1311.2524v3

Ross Girshick, Jeff Donahue, Trevor Darrell, and Jitendra Malik(2014):Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. In 580–587.
《Rich feature hierarchies for accurate object detection and semantic segmentation Tech report (v3)》

?

0、R-CNN算法流程圖

?

1、實驗結果

1、Detection average precision (%) on VOC 2010 test

? ? ? ?R-CNN BB算法(加了BBox回歸技巧)，前邊20列是20個分類的每個AP，最后一列是平均，mAP達到53.7！

?

2、ILSVRC2013 detection test mAP

? ? ? ? ? 即在ImageNet上的測試結果，

?

R-CNN算法的架構詳解

更新……

DL之R-CNN：R-CNN算法的架構詳解

?

?

R-CNN算法的案例應用

更新……

?

?

?

?

?

?

?

?

?

?

?

?

總結

以上是生活随笔為你收集整理的DL之R-CNN：R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略的全部內容，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。