rcnn spp_net hcp

rcnn开创性工作,但是计算时间太长,重复计算太大。

spp_net将重复计算避免了。

hcp是yan shuicheng那边的,是用bing生成regions,然后用normalized cut将这些regions进行聚类,然后将聚类后剩下较小数量的regions进cnn,其实整体思路也是rcnn,只是减少了regions的数量。当然,其工作目的不一样,其当时这么做主要是为了提高多类分类的效果,如果仅仅这么做会降低检测的准确率,但是多类分类效果肯定会提高。但是,今年看到他们的Detection工作效果很好,说是用到了contextual information,我在想难道是先多类分类,分出来这张图片大概有几类目标,然后再进行检测定位吗?如果这样的话,多类信息怎么在检测中体现呢?我还没想明白,他们的slides里也没说。

由于吧caffe的windows版本调通了。现在spp和rcnn都可以windows下调用了。

时间: 2024-10-11 17:48:58

rcnn spp_net hcp的相关文章

rcnn spp_net

在http://www.cnblogs.com/jianyingzhou/p/4086578.html中 提到 rcnn开创性工作,但是计算时间太长,重复计算太大. spp_net将重复计算避免了 我自己测试发现rcnn的确非常慢,因为窗口重叠,重复计算普遍 一下转自 http://zhangliliang.com/2014/09/13/paper-note-sppnet/ 对应的论文是:http://arxiv.org/pdf/1406.4729v2.pdf对应的slide:http://re

Faster R-CNN论文详解

原文链接:http://lib.csdn.net/article/deeplearning/46182 paper链接:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks &创新点 设计Region Proposal Networks[RPN],利用CNN卷积操作后的特征图生成region proposals,代替了Selective Search.EdgeBoxes等方法,速度上提升明显:

论文阅读(Chenyi Chen——【ACCV2016】R-CNN for Small Object Detection)

Chenyi Chen--[ACCV2016]R-CNN for Small Object Detection 目录 作者和相关链接 方法概括 创新点和贡献 方法细节 实验结果 总结与收获点 参考文献 作者和相关链接 论文下载 Chenyi Chen , Ming-Yu Liu, Jianxiong Xiao 所有作者的简单信息 方法概括 这篇文章主要讨论针对小目标的目标检测 文章为了证明:对传统的R-CNN style的方法进行改进,可以用于小目标检测,并且性能比DPM方法好 整个检测流程:

RCNN 和SPPnet的对比

一.RCNN: 1.首先通过选择性搜索,对待检测的图片进行搜索出2000个候选窗口. 2.把这2k个候选窗口的图片都缩放到227*227,然后分别输入CNN中,每个候选窗台提取出一个特征向量,也就是说利用CNN进行提取特征向量. 3.把上面每个候选窗口的对应特征向量,利用SVM算法进行分类识别. 可以看到R-CNN计算量肯定很大,因为2k个候选窗口都要输入到CNN中,分别进行特征提取,计算量肯定不是一般的大. 二.SPPnet: 1.首先通过选择性搜索,对待检测的图片进行搜索出2000个候选窗口

Faster RCNN 运行自己的数据,刚开始正常,后来就报错: Index exceeds matrix dimensions. Error in ori_demo (line 114) boxes_cell{i} = [boxes(:, (1+(i-1)*4):(i*4)), scores(:, i)];

function script_faster_rcnn_demo() close all; clc; clear mex; clear is_valid_handle; % to clear init_key run(fullfile(fileparts(fileparts(mfilename('fullpath'))), 'startup')); %% -------------------- CONFIG -------------------- opts.caffe_version = '

Fast RCNN中RoI的映射关系

在Fast RCNN中,为了减少计算量,不是进行2k次运算,而是进行了1次运算,然后在从pool5中crop出SS图片所对应的Feature map,这里详细的介绍一下是如何实现的. 在CNN中下一层Feature map大小的计算

论文阅读之:Is Faster R-CNN Doing Well for Pedestrian Detection?

Is Faster R-CNN Doing Well for Pedestrian Detection? ECCV 2016   Liliang Zhang & Kaiming He 原文链接:http://arxiv.org/pdf/1607.07032v2.pdf 摘要:行人检测被人 argue 说是特定课题,而不是general 的物体检测.虽然最近的深度物体检测方法 如: Fast/Faster RCNN 在general 的物体检测中,展现了强大的性能,但是对于行人检测却不太成功.本文

Faster RCNN学习记录

<Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks>Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun                                           ——学习资料记录(Simon John) 文章拟解决问题(Towards Real-Time) SPP net和Fast R-CNN提取proposal(

一个门外汉的理解 ~ Faster R-CNN

首先放R-CNN的原理图 显然R-CNN的整过过程大致上划分为四步: 1.输入图片 2.生成候选窗口 3.对局部窗口进行特征提取(CNN) 4.分类(Classify regions) 而R-CNN的缺陷就在于对每个候选窗口都要进行特征提取,造成了计算时间成本很大. 再放Fast R-CNN的原理图 Fast R-CNN的提高速度的关键就在于将proposal的region映射到CNN的最后一层conv layer的feature map上,意味着一张图片只需要进行一次特征提取. 而既然R-CN