深度学习小白——物体定位和检测

最新推荐文章于 2025-05-17 14:31:18 发布
原创 最新推荐文章于 2025-05-17 14:31:18 发布 · 1.5w 阅读 · 80 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

这篇博客是关于深度学习中的物体定位和检测技术，介绍了从Classification+Localization到R-CNN系列（包括R-CNN、Fast R-CNN、Faster R-CNN）的发展。文章详述了各个方法的工作原理，如定位任务的目标、评价指标，以及RPN网络如何解决region proposal的问题，强调了Faster R-CNN的实时性优势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

此篇是看CS231n的课后笔记，方便以后查阅，因为刚开始接触，如果有错误，欢迎指正~


一、 Classification+Localization定位

定位一般是指一张图有一个类别，有单个物体需要去定位

常用数据库：ImageNet localization数据库

对于分类任务：

  • 目标：分出类别
  • 输入：图像
  • 输出：图像类别
  • 评价指标：准确度

对于定位任务：

  • 目标：标出该图中类别物体的位置（矩形框）
  • 输入：图像
  • 输出：bounding box (x,y,w,h) 4个数
  • 评价指标：与所给框的交叉重叠部分
【步骤】：
  1. 训练一个分类网络（AlexNet,VGG...）
  2. 在一个特定位置（conv后或者FC后）重新连接一个Regression head,用于训练框的位置
  3. 训练回归网络，用SGD+L2 Loss，分两种回归：不定类回归（1个box）/ 特定类回归(C个box)
  4. 测试时，把两种heads都加上得到分类标签+定位框



[Sliding Window]——Overfeat网络（ILSVRC 2013定位挑战冠军）

论文：Sermanet et al, “Integrated Recognition, Localization and Detection using Convolutional Networks”, ICLR 2014

主要思想：

  • 用一个滑动窗口在高分辨率的图片上不同位置滑动
  • 将全连接层转换为1*1卷积层，节省计算资源
  • 在不同尺度上将分类器和回归器的预测结果融合，从而得到最终预测结果
滑动窗口
假设输入图像比规定的尺寸大，可设置一个滑动窗口分别滑动图像的左上，下，右上，下四个位置，得到四个分类得分
同样得到四个框

      
实际中，会取各种大小的sliding windows，所以会得到很多类别得分和很多框，通过一种特殊的融合方式，得到最佳结果（此处课上没说，需再看论文）


FC-->1*1 Conv
---->

定位任务结果：


最低0.47元/天 解锁文章

200万优质内容无限畅学
MargaretWG
关注
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 34万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
【第1章：深度学习概览——1.3 深度学习的核心组件与概念解析之神经网络基础】
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
02-13 293
神经网络是深度学习的核心组件，它通过模拟生物神经元的结构和功能，实现了对复杂数据的处理和学习。从简单的单层感知机到复杂的深度神经网络，神经网络的发展经历了巨大的飞跃。未来，神经网络的发展方向会更加多样化和智能化。比如，神经网络与生物学的结合，可能会让我们从生物神经元的工作机制中获得更多灵感，进一步优化神经网络的结构和算法；神经网络的可解释性研究，能让我们更好地理解神经网络的决策过程，增强人们对它的信任；神经网络的高效计算，将使我们能够在更短的时间内处理更多的数据，推动人工智能在各个领域的应用。
物体定位与检测
invadertroy的专栏
07-28 1万+
给定一张图片或视频帧，找到其中所有目标的位置，并给出每个目标的具体类别。然而对于计算机来说，目标检测最困难的部分在于计算机不清楚目标出现在图像中哪个区域。图像中的目标可能出现在任何位置，目标的形态可能存在各种各样的变化。
深度学习（十八）基于R-CNN的物体检测
热门推荐
hjimce的专栏
12-05 9万+
本篇博文主要讲解2014年CVPR上的经典paper：《Region-based Convolutional Networks for Accurate Object Detection and Segmentation》，这篇文章的算法又被称之为：R-CNN，是物体检测领域曾经获得state-of-art的精度的经典文献，引用率非常高。所以如果你搞物体检测方面，肯定会接触到这个算法。 这篇paper的思想，改变了物体检测的总思路，现在好多文献关于深度学习的物体检测的算法，基本上都是采用了同样的思想，
神经网络与深度学习（三）
最新发布
hu4546的博客
05-17 1292
目标检测是一种计算机视觉技术，利用神经网络对图像或视频中的物体（如人、建筑或汽车）进行分类和定位。目标检测模型以图像作为输入，然后输出所检测物体的边界框坐标，以及识别这些物体的标签。一幅图像可能包含多个物体，每个物体都有自己的边界框和标签，例如一辆车和一座建筑。这些物体也可以位于图像的不同区域，例如几辆车在不同的位置。这种概念通常被称为多物体检测。：此任务仅确定图像中是否存在某个物体。例如，图像中有狗吗？：用于确定物体的类别并使用边界框在图像中定位该物体。例如，图像中的狗在哪里，它是什么类型的狗？
cs231n学习笔记-CNN-目标检测、定位、分割
MyArrow的专栏
07-11 5万+
1. 基本概念 1）CNN：Convolutional Neural Networks  2） 2. CNN基本知识 2.1 CNN的卷积流程  1）Activations maps的个数与Filter的个数一致。 2）输入层与Filter、Padding、Stride、参数和输出层的关系
【深度学习笔记（九）】之物体的分类与定位
开发小鸽
07-29 1816
本文章由公号【开发小鸽】发布！欢迎关注！！！ 老规矩–妹妹镇楼： 一．分类与定位 （一）定义        我们不光要对物体进行分类，还要对物体在图片中的位置进行定位。 （二）分类任务        输入图片，输出分类的标签，评估的标准是分类的准确性。        如下图所示：输入一张图片，输出标签为CAT。 （三）定位任务     &
GOTURN——基于深度学习的物体追踪 （OpenCV contrib）
朱铭德的博客
08-14 1万+
见惯了KCF、DCF、MEDIANFLOW这些常规追踪器，来看看基于神经网络的GOTURN吧。 首先，这个Tracker并不算慢，利用GPU能跑到100fps 论文原文： Learning to Track at 100 FPS with Deep Regression Networks 撇开原理，从工程的角度来看，算法输入前后两帧被裁剪过的图像，送入卷积神经网络（CNN），继而回归出物...
深度学习小白——卷积神经网络可视化（一）
MargretWG的博客
04-07 9086
一、可视化最大激活神经元的一些pathces 例如在这个AlexNet的pool5层任选一个神经元，然后喂给它大量的图片，看哪种图片最能激活该神经元 比如上面两行代表使神经元激活值最大的一些图片，白框是感受野，数值即为激活值，第一个神经元似乎对人很敏感，下面那个对dots或狗狗比较敏感 2. 对weights的观察 我们还可以对卷积第一层的raw filters 进
百度飞桨第三周学习心得——物体检测
weixin_45955767的博客
08-27 525
百度飞桨第三周学习心得——物体检测 前言 毕业证书获取任务 1.标题需含有“飞桨”或者“PaddlePaddle” 2.笔记内容包含学习过程、代码实现、心得感受等 3.≥500字 4.发布在CSDN、Github、开源中国等第三方技术媒体 提示：以下是本篇文章正文内容，下面案例可供参考 一、物体检测的核心问题？ 如何产生候选区域，并对它们进行标注 如何提取图像特征，并将提取到的特征图与候选区域的类别和位置进行关联 二、如何产生候选区域，并对它们进行标注 假设我们现在有某种方式可以在输入图片上生成一
CNN 之 "物体检测" 篇
leadai的博客
01-02 8200
北京 上海巡回站 | NVIDIA DLI深度学习培训2018年1月26/1月12日NVIDIA 深度学习学院 带你快速进入火热的DL领域阅读全文                                                                          >正文共3446个字，19张图，预计阅读时间：9分钟。索引RCNNFast RCNNFaster RCNN
CNN扩展 图像识别与定位 物体检测 NeuralStyle
10-20
CNN扩展 图像识别与定位 物体检测 NeuralStyle ,传智机器学习,CNN扩展 图像识别与定位 物体检测 NeuralStyleCNN扩展 图像识别与定位 物体检测 NeuralStyle
基于深度学习和强化学习的车辆定位与识别
01-19
基于深度学习和强化学习的车辆定位与识别
深度学习－对象定位和检测
weixin_38498942的博客
08-26 1460
在本章中，我们将学习使用卷积神经网络来定位和检测图像上的对象。 • RCNN • Fast RCNN • Faster RCNN • Yolo • SSD 使用回归本地化对象 回归是关于返回一个数字而不是一个类，在我们的例子中，我们将返回与边界框相关的4个数字（x0，y0，width，height）。 使用图像和地面实况边界框训练该系统，并使用L2距离来计算预测的边界框和地面实况之间的损失。 通常，要做的是在最后一个卷积层上附加另一个完全连接的层： 一次仅适用于一个对象。 有些人在最后一个卷积（Ov
CNN在物体检测任务中的实践
AI天才研究院
12-31 886
1.背景介绍 物体检测是计算机视觉领域的一个重要任务，它旨在在图像中识别和定位目标对象。随着深度学习技术的发展，卷积神经网络（CNN）已经成为物体检测任务中最常用的方法之一。在这篇文章中，我们将讨论 CNN 在物体检测任务中的实践，包括背景介绍、核心概念与联系、核心算法原理和具体操作步骤以及数学模型公式详细讲解、具体代码实例和详细解释说明、未来发展趋势
深度学习（六十四）Faster R-CNN物体检测
hjimce的专栏
06-17 1万+
在经典的RCNN中，物体检测的效果取得了State-of-the-art的效果，但是由于计算速度比较慢，后来在SPPNET、Fast R-CNN中，用卷积神经网络一次性提取一整张图片的特征图，然后在根据selective search在原始图片得到的搜索框，映射特征图上bbox，裁剪出feature map的bbox，然后在进行sotfmax物体分类。从而避免了RCNN中，需要2000次的CNN前向计算。 在之前的RCNN、Fast-RCNN等算法中，都需要经过Region proposal相关算法进行原始
CNN-目标检测、定位、分割
sparkfeng
08-20 3194
1. 基本概念     1）CNN：Convolutional Neural Networks      2）FC：Fully Connected     3）IoU：Intersection over Union （IoU的值定义：Region Proposal与Ground Truth的窗口的交集比并集的比值，如果IoU低于0.5，那么相当于目标还是没有检测到）     4）ICCV：...
使用基于 CNN 的定位器进行对象定位
小白学视觉
04-04 169
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达介绍对象定位是指精确识别和定位图像中感兴趣的对象的任务。它在计算机视觉应用中发挥着至关重要的作用，可实现对象检测、跟踪和分割等任务。在基于 CNN 的定位器中，对象定位涉及训练卷积神经网络来预测包围对象的边界框的坐标。定位过程通常遵循两步流程，其中主干 CNN 提取图像特征，回归头预测边界框坐标。学习目标了解卷积神经网络 (CN...
【深度学习笔记（十）】之物体检测（R-CNN，Fast R-CNN， Faster R-CNN）
开发小鸽
07-29 1134
本文章由公号【开发小鸽】发布！欢迎关注！！！ 老规矩–妹妹镇楼： 一． 物体检测 （一）定义        在输入图像中检测出所有的不同物体，并用方框将所有的物体都框出来。 （二）候选框（Region proposals）        如果用分类和回归定位，那么要用滑动窗口滑动整张图片，需要计算太多的位置和预处理太多的图片尺寸，耗时耗力。        物体检
基于深度学习的车牌倾斜校正与特征识别
传统的倾斜校正方法，如Hough变换和Radon变换，主要通过检测图像中的直线来确定物体的角度，但在车牌边缘不明显或者图像质量较差的情况下，这些方法可能无法提供准确的结果。旋转投影校正算法则依赖于对二值化图像的...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值