没有合适的资源？快使用搜索试试~ 我知道了~

文库首页人工智能深度学习区域卷积神经网络介绍

区域卷积神经网络介绍

RCNN

深度学习

物体检测

需积分: 9 7 下载量 51 浏览量 2017-11-13 22:11:51 上传评论 1 收藏 1.61MB PPTX 举报

温馨提示

试读

31页

自己做的对RCNN的入门介绍ppt，从图像的图表示开始，到选择性搜索、最后到RCNN。

资源推荐

资源详情

资源评论

基于分割的图表示

——由 graph cut 到 Efficient Graph-Based

Image Segmentation (International Journal of Computer Visio, 2003)

基于图表示的选择性搜索

—— Selective Search for Object

Recognition. (Technical Report 2012, submitted to IJCV)

基于选择性搜索的目标（物体）识别

—— Rich feature hierarchies for accurate

object detection and semantic segmentation. (CVPR, 2014)



图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成

若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而

在不同区域间呈现出明显的差异性。

回顾部分：  简

介

图像分割

基于阈值（阈值法）

基于边缘（边缘检测）

基于区域（种子区域生长法、区域分裂合并法、分水岭法

基于图论（最小割）

基于能量泛函（活动轮廓模型）



无向图  ，  表示要分割的图像，  和  分别是顶点（  ）和边（  ）

的集合

普通的图由顶点和边构成

 图多了  个顶点，” ” 和”  ，统

称为终端顶点。其它所有的顶点都必须和这

2 个顶点相连形成边集合中的一部分。

两种顶点两种边  

 

图中每条边都有一个非负的权值 ! ，也可以理解为 "# （代价或者费用）。一个 "

（割）就是图中边集合  的一个子集  ，那这个割的 "# （表示为 $$ ）就是边子集 

的所有边的权值的总和。

仍考虑前后景分割问题。目标（ # ）的 % 设为  ，背景（ # ）的

% 设为  ，很明显，发生在目标和背景的边界处的 " 就是我们想要的（相当

于把图像中背景和目标连接的地方割开，那就相当于把其分割了）。同时，这时

候能量也应该是最小的。假设整幅图像的标签 % （每个像素的 % ）为

&'''''( ，其中  为  （背景）或者  （目标）。假设图像取分割 ) 时，图像

的能量可以表示为：

*)+,*)+-.*)+

已知：



 图的结构



 图的顶点（像素值）



 和  顶点人工给定（给出了目标和背景）



在运筹学课程中已经学过，最小割即为最大流，最大流

的求解基本解法有 #%/ 算法、 0#0 # 等。



想通过 "# （或者能量）来计算出最小割

未知：

需要对边（权值 ! ）进行定义

其中， ,*)+ 为区域项， .*)+ 为边界项，  是区域项和边界项之间的比例因子，决定它

们对能量的影响大小。如果  为  ，那么就只考虑边界因素，不考虑区域因素。 *)+

表示的是权值，即损失函数，也叫能量函数，图割的目标就是优化能量函数使其值达

到最小。

以上用数学及纯文字描述如下：

第二类边的权值计算：区域项

其中 ,



*



+ 表示像素  分配标签 



的惩罚， ,



*



+ 能量项的权值可以通过比

较像素  的灰度和给定的目标和前景的灰度直方图来获得，换句话说就是

像素  属于标签 



的概率，我希望像素  分配为其概率最大的标签 



，这

时候我们希望能量最小，所以一般取概率的负对数值，故  的权值如

下：

,



*+1*2



$3#%/3+ ； ,



*+1*2



$3% 3+

第一类边的权值计算：边界项（最后一个公式用于计算机编写权值的公式）

.'4 可以解析为像素  和 4 之间不连续的惩罚，一般来说如果  和 4 越相似（例如

它们的灰度），那么 .'4 越大，如果他们非常不同，那么 .'4 就接近于  。换

句话说，如果两邻域像素差别很小，那么它属于同一个目标或者同一背景的可能性就

很大，如果他们的差别很大，那说明这两个像素很有可能处于目标和背景的边缘部分，

则被分割开的可能性比较大，所以当两邻域像素差别越大， .'4 越小，即能量越

小。

剩余30页未读，继续阅读

评论收藏

内容反馈

资源评论

资源反馈

评论星级较低，若资源使用遇到问题可联系上传者，3个工作日内问题未解决可申请退款~

yuanjiao3475

粉丝: 0
资源: 3

上传资源快速赚钱

我的内容管理展开

我的资源快来上传第一个资源

我的收益

登录查看自己的收益

我的积分登录查看自己的积分

我的C币登录后查看C币余额

我的收藏

我的下载

下载帮助

前往需求广场，查看用户热搜

区域卷积神经网络介绍

卷积神经网络学习介绍

卷积神经网络入门介绍

卷积神经网络报告

卷积神经网络结构原理详细介绍

卷积神经网络及典型模型介绍

卷积神经网络

卷积神经网络概述

卷积神经网络入门

卷积神经网络原理与视觉实践

基于卷积神经网络的候选区域优化算法.pdf

深度卷积神经网络详解

基于多层区域卷积神经网络的图像情感分类.pdf

卷积神经网络 入门介绍 展示PPT

吴恩达卷积神经网络介绍.rar

卷积神经网络综述.pdf

基于卷积神经网络的目标检测算法综述.pdf

卷积神经网络概述.pdf

级联的卷积神经网络人脸检测方法.pdf

基于卷积神经网络和注意力机制的图像检索.pdf

卷积神经网络 卷积神经网络 卷积神经网络卷积神经网络.txt卷积神经网络.txt

基于区域卷积神经网络Faster R-CNN的手势识别方法.pdf

卷积神经网络python

1.4卷积神经网络

cnn卷积神经网络PPT详解

最新资源

卷积神经网络入门介绍展示PPT

卷积神经网络卷积神经网络卷积神经网络卷积神经网络.txt卷积神经网络.txt