目标检测-R-FCN

标签：池化层   roi   正负样本   目标检测   类别   获得   变换   line   osi   

1、R-FCN结构

适应全卷积化CNN结构，提出全卷积化设计

共享ResNet的所有卷积层

引入变换敏感性（Translation variance）

　　1、位置敏感分值图（Position-sensitive score maps）

　　　　特殊设计的卷积层

　　　　Grid位置信息+类别分值

　　2、位置敏感池化（Position-sensitive RoI pooling）

　　　　无训练参数

　　　　无全连接网络的类别判断

位置敏感卷积层：使用k^2（C+1)个通道对（位置，类别）进行组合编码

　　　　类别：C个物体类+1个背景类

　　　　相对位置：K*K个Grid

位置敏感RoI池化层：显式地编码相对位置信息

R-FCN的Score map的可视化

2、R-FCN的训练

OHEM（Online Hard Example Mining）

　　首先对RPN获得的候选ROI（正负样本分别进行排序）进行排序操作；

　　然后在含有正样本（目标）的ROI中选择前N个ROI，将正负样本的比例维持在1：3的范围内，保证每次抽取的样本中都会有一定的正样本

　　这样训练可以提高网络的分类能力

Faster R-CNN的4步训练法

　　2轮：RPN跟R-FCN交替训练

目标检测-R-FCN

标签：池化层   roi   正负样本   目标检测   类别   获得   变换   line   osi   

原文地址：https://www.cnblogs.com/wyx501/p/10487806.html