r-cnnceit.aut.ac.ir/~keyvanrad/download/dl971/dl_17(1_r... · faster r-cnn: towards real-time...
TRANSCRIPT
1
R-CNN
Rich feature hierarchies for accurate object detection: عنوان مقاله•and semantic segmentation
Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra: نویسندگان• Malik
2013: سال انتشار•6900-4100بیش از : تعداد ارجاعات•
ویژگی اصلی•یکی از تاثیر گذارترین مقاالت در حوزه بینایی کامپیوتری •CNNبجای معماری شبکه object detectionتمرکز روی •
2
R-CNN
R-CNNگامهای •(region proposal)پیشنهاد ناحیه •
(selective searchاستفاده از )وابسته به روش خاصی نیست •ناحیه محتملتر برای وجود یک شی2000پیشنهاد •
CNNتغییر اندازه ناحیه به اندازه مشخص برای خوراندن به •
AlexNetنظیر CNNاستخراج ویژگی با یک •
دسته بندی نواحی•خطی برای هر دستهSVMاستفاده از یک مجموعه •
(bounding box)پیرامون کادر انتخاب بهترین •مبتنی بر بردار ویژگی•
3
R-CNN
R-CNNگامهای •
4
R-CNN
R-CNNنکاتی راجع به •.ندکادرهای پیرامونی که بیشترین اشتراک را با سایر کادرهای پیرامون دارند حذف می شو•
5
Fast R-CNN
Fast R-CNN: عنوان مقاله •
Ross Girshick: نویسنده•
2015: سال انتشار•4000-1700بیش از : تعداد ارجاعات•
ویژگی اصلی•R-CNNسرعت بخشیدن به •
6
Fast R-CNN
R-CNNضعفهای •و برآورد کادر پیرامونCNN ،SVMزمان زیاد آموزش بعلت داشتن سه بخش مجزای •
ثانیه برای هر تصویر آزمون53•
Fast R-CNNراه حل •بین نواحی پیشنهادی متفاوتCNNتقسیم محاسبات الیه های •CNNجابجایی ترتیب تولید نواحی پیشنهادی و اجرای •
7
Fast R-CNN
Fast R-CNNعملیات •
8
Faster R-CNN
Faster R-CNN: Towards Real-Time Object Detection with: عنوان مقاله •Region Proposal Networks
Shaoqing: نویسندگان• Ren, Kaiming He, Ross Girshick, and Jian Sun
2017(TPAMI)-(arXiv)2015: سال انتشار•5600-2200بیش از : تعداد ارجاعات•
ویژگی اصلی•Fast R-CNNو R-CNNساده سازی مسیر پیچیده آموزش در •
.امروز معیار برنامه های تشخیص شی است•
9
Faster R-CNN
Fast R-CNNسرع بخشیدن به آموزش •پس از آخرین الیه کانولوشنال( RPN)افزودن یک شبکه پیشنهاد ناحیه •آخرین نگاشت ویژگی کانولوشنالنواحی مبتنی برپیشنهاد دادن •Fast R-CNNپس از آن همانند •
10
Selective Search for Object Recognition
• J.R.R. Uijlings, K.E.A. van de Sande, T. Gevers, and A.W.M. Smeulders (2012)
11
بازگشت
A Discriminatively Trained, Multiscale, Deformable Part Model(2008)
2018/12/12MUT-COMPUTER VISION12چهارشنبه،
ی باالتر یک مدل شامل یک فیلتر ریشه درشت ، تعدادی فیلتر اجزا در رزولوشن ها
. یشودو یک زیر مدل فاصله ای است که مربوط به موقعیت هر یک از اجزا م( ضخیم)
Discriminatively Trained Mixtures of Deformable Part Models (2008)
.جز است6در این مقاله هر مدل شامل یک فیلتر ریشه درشت و
2018/12/12MUT-COMPUTER VISION13چهارشنبه،
Discriminatively Trained Mixtures of Deformable Part Models (2008)
SPATIAL TERMهزینه مکان ایده آل برای آن جز نسبت به فیلتر ریشه و یک تابع
. کندمیتغییر شکل چهاربعدی نسبت به قرار گیری آن جز در محلی دیگر تعریف
2018/12/12MUT-COMPUTER VISION14چهارشنبه،
Discriminatively Trained Mixtures of Deformable Part Models (2008)
SPATIAL TERMهزینه مکان ایده آل برای آن جز نسبت به فیلتر ریشه و یک تابع
. کندمیتغییر شکل چهاربعدی نسبت به قرار گیری آن جز در محلی دیگر تعریف
2018/12/12MUT-COMPUTER VISION15چهارشنبه،
: برای مثال دوچرخه دو مولفه مدل آن به صورت زیر است
Discriminatively Trained Mixtures of Deformable Part Models (2008)
2018/12/12MUT-COMPUTER VISION16چهارشنبه،
فیلتر ریشه آموزش داده شده است
: برای مثال ماشین دو مولفه مدل آن به صورت زیر است
Discriminatively Trained Mixtures of Deformable Part Models (2008)
2018/12/12MUT-COMPUTER VISION17چهارشنبه،
: برای مثال شخص دو مولفه مدل آن به صورت زیر است
Discriminatively Trained Mixtures of Deformable Part Models (2008)
2018/12/12MUT-COMPUTER VISION18چهارشنبه،
Object Detection with Grammar Models (2011)
authors Pedro Felzenszwalb and Ross Girshick (University of Chicago) David McAllester (TTI-C)
Year 2011Publish NIPS (Neural Information Processing Systems Conference)
2018/12/12MUT-COMPUTER VISION19چهارشنبه،
تشخیص اشیا با استفاده از مدل های گرامری
Object Detection with Grammar Models (2011)
MUT-COMPUTER VISION20
نتایج در بخش آزمون
Deformable Part Models are Convolutional Neural Networks(2015)
authors Ross Girshick - Forrest Iandola - Microsoft ResearchTrevor Darrell Jitendra Malik - UC Berkeley
Year 2015
2018/12/12MUT-COMPUTER VISION21چهارشنبه،
. فرموله کرد CNNرا به صورت یک DPMدر این کار نشان داده شده است که می توان یک
DeepPyramidمدل جدیدی که تولید شده است DPM نامگذاری شده است .
از DPDPMبه وجود آمده که مدل R-CNNمفهوم جدیدی به نام CNNاز طرفی در بحث . اندکی بهتر پاسخ گرفته استR-CNNو DPMنسخه اصلی