精华内容
下载资源
问答
  • 2021-02-04 07:07:16

    分别对显著区域和非显著区域进行特征提取,具体提取的特征包括颜色(Lab空间,即三个分量),纹理,方向等,最后每幅图片用两个特征向量表示(一个显著区域特征向量,一个非显著区域特征向量)。

           根据上面第一部分得到的结果,每个图像对应这一个显著性区分图,即:

            根据步骤一的结果,我们进行特征提取:这里,根据要求,主要的特征为颜色(Lab空间,即三个分量),纹理,方向等,为了提高精度,我们增加其余几种特征,主要为:

             这里,我们考虑其四个方向上的四个文理参数的均值和方差作为最终的特征参数,此外,再加上LAB空间的颜色分量,总共这些均作为其特征参数。

            颜色特征,

           这里根据要求,使用lab特征空间,最后使用的是计算均值作为三个特征数据。关于这个部分的内容,你可以找一些lab的理论用在论文中。

            关于纹理特征:

        (1)能量:即上述特征量中的角二阶矩,是灰度共生矩阵中各个元素的平方和,该特征量可以描述图像的灰度分布情况以及纹理粗细度,是纹理灰度变化的度量特征量。如果图像纹理粗糙,则该特征量较大,反之,纹理细腻,则该特征量较小。

        (2)对比度:是灰度共生矩阵中主对角线的惯性矩,该特征量是图像清晰程度以及纹理沟纹深浅程度的度量特征量。对比度值较小,说明图像效果清晰,沟纹较浅,反之,对比度值较大,说明图像效果模糊,沟纹较深。

        (3)相关:是灰度共生矩阵行或者列方向上元素相似程度的度量特征量,该特征量可以作为判断纹理主方向的特征量。

        (4)熵:图像信息量,是一个随机性的度量特征量,当灰度共生矩阵中元素分散程度较大时候,熵较大,图像为满纹理时候,熵取得最大值,反之如果纹理分布较集中,则熵较小,如果图像中无纹理,则熵取最小值零。

           我们选择上述常用的四个纹理特征的均值和方差作为特征值。具体公式,请查看相关论文即可。

           我们分别从0,45,90,135四个方向计算其纹理空间。

    3、赋予显著区域特征向量高权值,非显著区域特征向量低权值。(具体做法请你们自己解决,我有个思路,你们可以参考一下不知道可不可行,就是以显著区域和非显著区域像素点个数的倒数,进行归一化,然后作为权值,因为一般情况下显著区域肯定比非显著区域面积要小,即像素个数少,求倒数之后,则显著区域的权值自然比非显著区域的大),这部分务必写清楚具体实现步骤,论文里需要写。

    4、然后用支持向量机的方法对Corel5k图像库的图片进行训练,得出模型,用于对未知图片进行标注。(具体写清楚用的那个类型支持向量机,对应的原始公式等等)

        支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力(或称泛化能力)。

    更多相关内容
  • 区域经济学名词解释.doc
  • 区域增长算法 场景分割与解释-图像分割-区域增长算法。 2013-2014 作者 Emre Ozan Alkan 要求 Matlab的 执照 使用RegionGrowingAlgorithm。
  • 东盟的成立与发展:区域合作的理性结构主义解释,姚志峰,,关于东盟的兴起与发展主要有三种理论做出解释:现实主义认为东盟作为东南亚的一种区域合作主要是因为东南亚国家处于前苏联、美国
  • 区域矿产预测图的编制过程,也是矿产预测的过程。...以成矿系列为指导,以成矿地质作用及其产物为研究对象,分矿产预测方法类型,分别阐述了区域矿产预测图的编图、解释和统计要点,提出矿产预测图编制的综合解释模型。
  • OSPF(七)OSPF特殊区域之NSSA和Totally NSSA详解及配置

    千次阅读 多人点赞 2020-03-17 21:25:14
    文章目录前言Stub和Totally Stub区域存在的问题NSSA和Totally NSSA区域NSSA配置Totally NSSA配置整体实验配置过程及命令步骤一:搭建拓扑步骤二:配置路由器接口IP地址步骤三:OSPF区域以及邻居配置步骤三:检测OSPF...

    前言

    在上一篇文章:OSPF(六)OSPF特殊区域之Stub和Totally Stub区域详解及配置中,我们详细讲解了Stub区域的作用,以及配置,Stub区域消除了四类、五类LSA,Totally Stub区域更是将三类LSA也一并消除,只留下一条缺省的三类LSA。
    本文主要介绍OSPF中的另外一种特殊区域:NSSA以及Totally NSSA区域。

    Stub和Totally Stub区域存在的问题

    如下图,当RTD和RTA同时连接到某一外部网络,RTA引入外部路由到OSPF域,RTD所在的Area 1为减小LSDB规模被设置为Stub或Totally Stub区域。这时,由于被配置了Stub或Totally Stub区域,RTD所有的数据都将从RTB走。
    RTD访问外部网络的路径是“RTD->RTB->RTA->外部网络”,显然相对于RTD直接访问外部网络而言,这是一条次优路径。
    OSPF规定Stub区域是不能引入外部路由的,这样可以避免大量外部路由对Stub区域设备资源的消耗。
    对于既需要引入外部路由又要避免外部路由带来的资源消耗的场景,Stub和Totally Stub区域就不能满足需求了。
    在这里插入图片描述
    所以为了解决这一问题,我们就有了一个新的特殊区域:NSSA和Totally NSSA区域。

    NSSA和Totally NSSA区域

    NSSA

    OSPF NSSA区域(Not-So-Stubby Area)是在原始OSPF协议标准中新增的一类特殊区域类型。
    NSSA区域和Stub区域有许多相似的地方。两者的差别在于,NSSA区域能够将自治域外部路由引入并传播到整个OSPF自治域中,同时又不会学习来自OSPF网络其它区域的外部路由。

    lNSSA LSA(七类LSA):

    七类LSA是为了支持NSSA区域而新增的一种LSA类型,用于描述NSSA区域引入的外部路由信息。
    七类LSA由NSSA区域的ASBR产生,其扩散范围仅限于ASBR所在的NSSA区域。
    缺省路由也可以通过七类LSA来产生,用于指导流量流向其它自治域。

    七类LSA转换为五类LSA:

    NSSA区域的ABR收到七类LSA时,会有选择地将其转换为五类LSA,以便将外部路由信息通告到OSPF网络的其它区域。
    NSSA区域有多个ABR时,进行7类LSA与5类LSA转换的是Router ID最大的ABR。
    在这里插入图片描述

    配置

    在这里插入图片描述
    将Area 1区域设置成NSSA区域,只要将RTB、RTD路由器做配置即可。

    命令如下:

    RTB:

    [RTB]ospf
    [RTB-ospf-1]area 1
    [RTB-ospf-1-area-0.0.0.1]nssa 
    
    

    RTD:

    [RTD]ospf
    [RTD-ospf-1]area 1
    [RTD-ospf-1-area-0.0.0.1]nssa 
    

    查看RTD的LSDB:
    发现RTD路由器只包含一类、二类、三类LSA,以及七类LSA:NSSA 192.168.6.0 192.168.4.4 78 36 80000001 1
    NSSA 192.168.7.0 192.168.4.4 80 36 80000001 1
    NSSA 0.0.0.0 192.168.2.2 259 36 80000001 1

    [RTD]dis ospf lsdb
    
    	 OSPF Process 1 with Router ID 192.168.4.4
    		 Link State Database 
    
    		         Area: 0.0.0.1
     Type      LinkState ID    AdvRouter          Age  Len   Sequence   Metric
     Router    192.168.4.4     192.168.4.4         70  48    80000008       1
     Router    192.168.2.2     192.168.2.2        207  36    80000005       1
     Network   192.168.4.4     192.168.4.4        204  32    80000002       0
     Sum-Net   192.168.5.0     192.168.2.2        259  28    80000001       3
     Sum-Net   192.168.3.0     192.168.2.2        259  28    80000001       2
     Sum-Net   192.168.2.0     192.168.2.2        259  28    80000001       1
     Sum-Net   192.168.1.0     192.168.2.2        259  28    80000001       2
     NSSA      192.168.6.0     192.168.4.4         78  36    80000001       1
     NSSA      192.168.7.0     192.168.4.4         80  36    80000001       1
     NSSA      0.0.0.0         192.168.2.2        259  36    80000001       1
    

    查看OSPF路由表:

    [RTD]dis ospf routing 
    
    	 OSPF Process 1 with Router ID 192.168.4.4
    		  Routing Tables 
    
     Routing for Network 
     Destination        Cost  Type       NextHop         AdvRouter       Area
     192.168.4.0/24     1     Transit    192.168.4.4     192.168.4.4     0.0.0.1
     192.168.7.0/24     1     Stub       192.168.7.4     192.168.4.4     0.0.0.1
     192.168.1.0/24     3     Inter-area 192.168.4.2     192.168.2.2     0.0.0.1
     192.168.2.0/24     2     Inter-area 192.168.4.2     192.168.2.2     0.0.0.1
     192.168.3.0/24     3     Inter-area 192.168.4.2     192.168.2.2     0.0.0.1
     192.168.5.0/24     4     Inter-area 192.168.4.2     192.168.2.2     0.0.0.1
    
     Routing for NSSAs
     Destination        Cost      Type       Tag         NextHop         AdvRouter
     0.0.0.0/0          1         Type2      1           192.168.4.2     192.168.2.2
    
     Total Nets: 7  
     Intra Area: 2  Inter Area: 4  ASE: 0  NSSA: 1 
    

    我们还可通过tracert命令验证数据路径,发现现在RTD访问外部网络从最优路径通过(RTD->RTF)

    [RTD]tracert 192.168.6.1
    
     traceroute to  192.168.6.1(192.168.6.1), max hops: 30 ,packet length: 40,press 
    CTRL_C to break 
    
     1 192.168.7.6 20 ms  20 ms  20 ms 
    
     2 192.168.6.1 10 ms  10 ms  20 ms 
    

    Totally NSSA

    Totally NSSA与MSSA的区别:

    • Totally NSSA不允许三类LSA在本区域内泛洪。(与Stub和Totally Stub的区别相同)

    配置

    在NSSA区域中的ARB(也就是图中RTB),追加上no-summary参数即可。
    在这里插入图片描述

    RTB:

    [RTB]ospf
    [RTB-ospf-1]area 1
    [RTB-ospf-1-area-0.0.0.1]nssa no summary
    
    

    查看RTD的LSDB:
    发现三类LSA汇总成一条缺省LSASum-Net 0.0.0.0 192.168.2.2 49 28 80000001 1

    [RTD]dis ospf lsdb
    
    	 OSPF Process 1 with Router ID 192.168.4.4
    		 Link State Database 
    
    		         Area: 0.0.0.1
     Type      LinkState ID    AdvRouter          Age  Len   Sequence   Metric
     Router    192.168.4.4     192.168.4.4          5  48    80000014       1
     Router    192.168.2.2     192.168.2.2         12  36    80000008       1
     Sum-Net   0.0.0.0         192.168.2.2         49  28    80000001       1
     NSSA      192.168.6.0     192.168.4.4         78  36    80000001       1
     NSSA      192.168.7.0     192.168.4.4         80  36    80000001       1
     NSSA      0.0.0.0         192.168.2.2        259  36    80000001       1
    

    整体实验配置过程及命令

    步骤一:搭建拓扑

    搭建拓扑,并分配好网段,建议标记下来,以免出错。
    在这里插入图片描述

    步骤二:配置路由器接口IP地址

    根据分配好的网段,配置路由器所有接口的IP地址。以及PC的IP地址。

    举个栗子:

    [RTD]
    [RTD]interface GigabitEthernet 0/0/0
    [RTD-GigabitEthernet0/0/0]ip address 192.168.4.4 24
    

    步骤三:OSPF区域以及邻居配置

    注意:这里我们分了三个区域:Area 0、Area 1、Area 2。需要在不同的区域下宣告邻居。

    宣告邻居命令:network [相邻网段] [反子网掩码]

    举个栗子:
    RTA:

    [RTA]ospf	
    [RTA]ospf 1
    [RTA-ospf-1]area 0
    [RTA-ospf-1-area-0.0.0.0]network 192.168.1.0 0.0.0.255  
    [RTA-ospf-1-area-0.0.0.0]network 192.168.2.0 0.0.0.255
    [RTA-ospf-1-area-0.0.0.0]network 192.168.3.0 0.0.0.255
    

    RTB:

    [RTB]ospf
    [RTB-ospf-1]areo 0
    [RTB-ospf-1-area-0.0.0.0]network 192.168.2.0 0.0.0.255
    [RTB-ospf-1-area-0.0.0.0]area 1
    [RTB-ospf-1-area-0.0.0.1]network 192.168.4.0 0.0.0.255
    

    步骤三:检测OSPF

    配置好了OSPF之后,可以先不着急继续往下配置,我们可以先检测一下OSPF是否配置正确。

    检测命令:

    1. 可以用RTDpingRTE查看能否通信
    2. 查看路由表:display ip routing-table
    3. 查看OSPF路由表:display ospf routing

    步骤四:引入外部路由

    步骤1

    将外部路由用RIP协议进行配置。

    RTF:

    [RTF]rip 
    [RTF-rip-1]version 2    //版本2
    [RTF-rip-1]network 192.168.6.0 
    [RTF-rip-1]network 192.168.1.0
    [RTF-rip-1]network 192.168.7.0
    

    步骤2

    重要!!!
    路由引入之前需要在RTF上将192.168.1.0/24、192.168.7.0/24网段用OSPF协议宣告邻居。
    同时将RTA上将192.168.1.0/24网段用RIP宣告。RTD上将192.168.7.0/24网段用RIP宣告。

    RTF:
    注意OSPF区域的变化

    [RTF]ospf
    [RTF-ospf-1]a 0
    [RTF-ospf-1-area-0.0.0.0]network 192.168.1.0 0.0.0.255
    [RTF-ospf-1]a 1
    [RTF-ospf-1-area-0.0.0.1]network 192.168.7.0 0.0.0.255
    

    RTA:

    [RTA]rip 
    [RTA-rip-1]v 2
    [RTA-rip-1]network 192.168.1.0
    

    RTD:

    [RTD]rip 
    [RTD-rip-1]v 2
    [RTD-rip-1]network 192.168.7.0
    

    步骤3

    外部路由引入。(详细解释可查看文章:OSPF(五)OSPF外部路由

    RTA、RTD:

    [RTA]ospf
    [RTA-ospf-1]import-route rip
    

    RTF:

    [RTF]rip 
    [RTF-rip-1]
    [RTF-rip-1]import-route ospf 
    

    步骤五:检测外部路由是否引入成功

    检测命令:

    1. 可以用RTDpingRTE查看能否通信
    2. 查看路由表:display ip routing-table
    3. 查看OSPF路由表:display ospf routing

    步骤六:配置NSSA、Totally NSSA

    这部分实验可对照上文,这里不再赘述。

    展开全文
  • 孙久文区域经济学教程名词解释与简答题整理.doc
  • 中国农村区域收入不均等变动基于经济发展和制度变迁的解释.pdf
  • 东盟的成立与发展--区域合作的理性结构主义解释,姚志峰,,关于东盟的兴起与发展主要有三种理论做出解释:现实主义认为东盟作为东南亚的一种区域合作主要是因为东南亚国家处于前苏联、美国
  • 针对矿产资源的丰裕度对区域摆脱贫困问题,使用矿产资源型区域区域贫困度作为被解释变量,区域矿产资源丰裕度作为解释变量,并引入区域经济外向度和人均受教育年限两个控制变量,通过固定效应变系数面板数据回归模型...
  • -划分区域----- -在MA中解决LSA泛洪问题----- -路由器承担不同角色----- -不同的LSA信息进行介绍----- -限制LSA数量------ OSPF协议介绍博客目录OSPF区域划分OSPF路由器角色OSPF 七类LSA限制LSA数量1.区域划分2.特殊...

    本篇博客思路:
    对于OSPF的LSA信息泛洪问题-----
    -划分区域-----
    -在MA中解决LSA泛洪问题-----
    -路由器承担不同角色-----
    -不同的LSA信息进行介绍-----
    -限制LSA数量------

    OSPF区域划分

    划分区域的作用是什么?为了解决什么问题?
    在这里插入图片描述
    对于在MA网络中如何解决LSA泛洪的问题呢?
    在这里插入图片描述
    区域划分为:

    1)骨干区域:主要功能为快速、高效地传输IP分组的OSPF区域。骨干区域将其他类型的OSPF区域连接起来,通常没有终端用户。骨干区域也叫OSPF区域0,它是网络核心,其他区域都与它直接相连。

    注意:在一些CISCO文档中,将骨干区域称为中转区域。然而在OSPF RFC中,中转区域是一个与虚链路相关的术语。虚链路在后续的文章中介绍。

    2)常规(非骨干)区域:主要功能为连接用户和资源的OSPF区域。常规区域通常是根据职能或地理位置划分的。默认情况下,常规区域不允许另一个区域使用其连接将数据流传输到其他区域。默认情况下,来自其他区域的所有数据流都必须经过骨干区域0.常规区域又分为几类,包括标准区域、末节区域、完全末节区域和次末节区域(NSSA)和绝对末节NSSA。文章后续的文章中介绍这些区域类型。

    OSPF采用严格的两层区域结构。网络的底层物理连接必须与两层区域结构匹配,即所有非骨干区域都直接与区域0相连。

      特殊情况:如果OSPF只有一个区域,可以为任意的区域编号。
    

    下篇 博客还会讲到对于OSPF的不规则区域的解决办法

    OSPF路由器角色

    OSPF路由器的类型决定了什么样的数据流能够进入和离开区域。
    

    1)内部路由器:

    所有接口都位于同一个区域中的路由器,同一个区域中所有内部路由器的LSDB都相同。

    2)骨干路由器:

    位于骨干区域0边缘的路由器,至少有一个接口与区域0相连。骨干路由器在维护OSPF路由信息时采用的步骤和算法与内部路由器相同。

    3)区域边界路由器(ABR):

    连接多个区域的路由器,为其连接的每个区域维护一个LSDB,并路由器前往/来自其他区域的数据流。ABR将区域0连接到非骨干区域,因此是区域的出口,这意味着前往其他区域的路由信息必须经过当前区域的ABR。ABR将这些路由选择信息通告给骨干,骨干路由器再将其转发给其他的ABR。只能在ABR对其连接的区域的地址进行汇总(对其连接的区域的LSDB种的路由选择信息进行汇总)。ABR分离LSA泛洪区,还可能提供默认路由。一个区域肯能有一台或多台ABR。

    理想的设计是只让每个ABR连接两个区域:
    骨干区域和另一个区域。正如前面指出的,建议ABR最多不要连接3个以上的区域。
    

    4)自治系统边界路由器(ASBR):

    至少有一个接口与其他域(如另一个OSPF自治区域系统或使用其他网络协议的域)相连。OSPF自治系统由所有OSPF区域及其中的路由器组成。ASBR可将外部路由重分发到OSPF域中,反之亦然。

    注意:同一台路由器可属于多种类型。
    例如,如果路由器同时连接区域0、区域1和一个非OSPF网络,
    则它既是ABR又是ASBR。
    

    对于它连接的每个区域,路由器都有一个独立的LSDB。因此,ABR有两个LSDB,一个针对的是区域0,另一个针对的是它连接的非骨干区域。属于同一区域的两台路由器中针对该区域的LSDB相同。

    OSPF 七类LSA

    LSA新旧比较
    在这里插入图片描述

    LSA总结列表:
    在这里插入图片描述

    在这里插入图片描述

    在这里插入图片描述

    限制LSA数量

    1.区域划分

    在这里插入图片描述

    2.特殊区域

    (1)stub末节区域

    在这里插入图片描述

    配置注意事项:
    在这里插入图片描述

    (2)Totally Stub完全末节区域

    在这里插入图片描述

    (3)NSSA 非完全末节区域

    在这里插入图片描述
    七类LSA介绍:
    在这里插入图片描述
    在这里插入图片描述

    (4)Totally NSSA完全的非完全末节区域

    在这里插入图片描述

    3. LSA汇总

    在这里插入图片描述

    4.LSA过滤

    在这里插入图片描述

    OSPF不规则区域的处理

    不规则区域的主要表现形式(数字代表区域编号):
    1023 非骨干区域为与area0相连接
    123 没有骨干区域area0
    010 存在多个骨干区域area0*

    在这里插入图片描述

    (1) 双向重发布

    在这里插入图片描述

    (2)virtual link 虚链路

    在这里插入图片描述

    (3)Tunnel 隧道

    在这里插入图片描述

    ospf FA地址解释

    在这里插入图片描述
    在这里插入图片描述

    OSPF工作过程

    启动配置完成后,本地默认组播发出hello包到所有邻居;若收到其他邻居的hello回复,邻居关系建立,生成邻居表;
    邻居关系建立后,进行条件匹配,匹配失败将维持邻居关系,仅hello继续周期保活;若条件匹配成功,使用DBD来获取数据库目录,之后使用LSR/LSU/LSack来获取本地未知的LSA信息,生成完整的数据库表;
    之后本地基于LSDB,启用SPF算法,生成导向图,再基于最短路径优先选择,将最佳路径加载于路由表中;
    收敛完成,hello包周期保活,每30min周期进行数据库同步(比对,纠正)

    在这里插入图片描述

    展开全文
  • 然后,应用熵权法对解释变量和被解释变量求综合值,利用极值边界分析法(EBA)探索解释变量对被解释变量的影响情况,结果得出5个目标变量与被解释变量呈正相关关系,其中创新人才对区域发展的作用系数最大。最后,运用灰色...
  • 【目标检测系列】RPN(区域生成网络)流程详细解释

    千次阅读 多人点赞 2020-04-13 17:52:20
    看RPN网络基本是从faster-RCNN来的。...先形象解释一下:左侧是特征图 ,立方体厚度决定于特征图维度。右侧红框就是经过该网络后提取出的感兴趣ROI区域。 这个特征图生成方法很多了,例如ZF,VGG ,Res...

        看RPN网络基本是从faster-RCNN来的。看的有点迷糊。后来看了几篇博客感觉有点懂了。记录下来防止自己忘了吧。尽量用大白话。了解RPN网络的整个应用流程。

    1.明确输入输出:输入是CNN卷积后的特征图 输出是候选框图  如下图。知乎上盗了张图。 感觉这个是最形象的

                            

                                                                                                              图1

    2.先形象解释一下:左侧是特征图 ,立方体厚度决定于特征图维度。右侧红框就是经过该网络后提取出的感兴趣ROI区域。  这个特征图生成方法很多了,例如 ZF,VGG ,Resnet 什么的都可以。这里就不细说了。RPN不关注具体目标是啥,是车,是人或者狗,楼房都可以。它只是将框内认为是目标,框外认为是背景,做了个二分类。至于框内目标具体是啥,最终是交给分类网络去做。结果会略显潦草,后面会对边框进行提炼。

    3.具体做法:以ZF网络计算的特征图作为输入来说吧(不同网络体现在输入上是特征图的尺寸不同,RPN实现都是一致的),当然不同网络的检测结果差异是网络本身决定的了。

    3.1.计算RPN的输入特征图(又见无耻的盗图....) 对应于图1的最左侧

                                                                                                                       图2

    首先输入图像大小是224*224*3。 然后开始各种卷积 池化。卷积核大小,个数,步长,填充参数都在图上可见。最终,rpn是选择conv5的结果作为其输入,也就是13*13*256这个特征图是RPN网络的输入。具体这个卷积流程去参考其他文章即可。本文重点介绍RPN的处理流程。

    3.2.生成Anchors   对应于图1的中间部分

        首先牢记:特征图上的每个点生成一个Anchors,特征图大小与Anchors对应。文中是用9个锚点。所谓Anchors 就理解成9个不同的框好了(框的属性自然就是长宽了,再进一步就是四个点的坐标喽),特征图上的每个点对应于一个Anchors。这九个不同的框按大小,比例生成的,论文中有介绍。这个框的数据(框的左上角坐标(x0,y0),右下角坐标(x1,y1)这四个值都是对应于原图的)对应于原图,就是图1右侧那个红框。下面这个就是原图,红色点就是特征图上的点对应于原图的位置。(接着盗图)。它部署 9 个锚点框:3 个不同宽高比 * 3 个不同大小的锚点框 = 9个锚点框。每一个位置使用 9 个锚点,每个位置会生成 2×9 个目标分数和 4×9 个坐标分数。显然,通过一个中心定义9个不同的框,就是为实现多尺度这个想法。当然这样做获得检测框很不准确,后面会做2次bounding box regression修正检测框位置。

                       

                                                                                                                       图3

    下面是卷积的具体过程。

    先上总图                

                                                                                                                 图4

    a.conv fetaure map到 intermediate layer的卷积过程:

        在特征图上用sliding window 3*3的窗口滑动。这个窗口提出来的图 conv feature map大小是3*3*256,上面那个图只显示了1通道的,在它下面还有255层。那么对于特征图上某个点来说,就要用256个大小为3*3*256的卷积核对这个窗口进行卷积,卷积过程显然是对应通道(256channel)卷积,获得1*256维的向量,然后累加获得1*1向量,卷积核有256个,这样的向量就有256个最终结果就是1*256(这个256是卷积核个数)。结果对应于下图intermediate layer。整张特征图卷积结果如下图

    卷积函数 输入通道数决定卷积核的通道数,卷积核的个数决定输出通道数

                    

                                

    b.intermediate layer的256维向量后面对应两条分支:

        cls layer分支是目标和背景的二分类(classification),因为k等于9,所以通过1×1×256×18的卷积核得到 2*9 = 18个分数,分别是目标和背景的评分。这次卷积总的流程如下图。最右侧的18层中,每两层代表了某个anchor的特征图上所有点的前景背景概率值。

                

        reg layer分支。如果候选框是目标区域,就去判断该目标区域的候选框位置在哪,这个时候另一条分支就过1×1×256×36的卷积得到4*9个值,每个框包含4个值(x,y,w,h),就是9个候选区域对应的框应该偏移的具体位置Δxcenter,Δycenter,Δwidth,Δheight。如果候选框不是目标区域,就直接将该候选框去除掉,不再进行后续位置信息的判断操作。这里预测的值都是通过模型不断训练得到的。显然最右侧的18层中,每4层代表了某个anchor的特征图上所有点的偏移量的值。

                           

                                                                                                                      

    3.3获得最终结果: 对应于图1的右侧部分

        先上个图。里面绿色框就是标注框,是我们样本中框好的,代表了飞机的真实存在框范围,红色框可以看成是候选框的初值,针对特征图上的某个点,这样的框有9个。

                        

                                                                                                                       图5

     

    首先是分类问题,简而言之就是存在与否问题。上面红色就是此次认为红色框中存在灰机了。对应于cls layer层的某个锚点的某种形状的框,其判断为目标的概率非常大。我们训练模型,让cls layer更好的区分前景(灰机),背景(非灰机)。在训练之初我们先对前景和远景分别用正样本(1)和负样本(0)进行标签工作

     正样本标签: 与某一个GT有最高的IOU重叠的Anchor box。与任意一个GT的IOU重叠部分大于0.7的Anchor box 。

     负样本标签: 给与所有GT包围盒的IOU重叠部分都小于0.3的Anchor box。

        然后通过损失函数softmax loss(cross entropy loss)进行计算,这里的监督标签就是GT(1,0),它不断告诉训练出的结果对还是不对。就这样训练到最后我们的RPN分类训练完成。这个步骤获得了红色框

    然后是回归问题,简而言之就是修正边框而已。上面的蓝色就是在红色框基础上去修正得来的,对应于reg layer层。我们通过不断训练它,让其得到的四个值,x,y,w,h能与真实的GT坐标不断靠拢,能更接近真实目标的坐标。看上面那个飞机图,Region Porposal 是我们RPN给出的一个候选区域初值。把上面红色框图的信息给下一次最终的分类模块,它可能识别不出飞机。因为框的太少了。 所以在训练的时候,就需要尽可能的使我们的Anchor box的框与真实的GT的框接近。但是我们知道想让A-box=GT,是不太现实的,因为我们没法做到100%。

                                                       

                                                                                                               图6

    所以如上图所示,我们的目标就是希望从现有的原始红色的Region  Proposal最终得到蓝色的预测GT,而这个蓝色GT其实与绿色的真实的标定GT非常接近了已经。总而言之,我们如果得到了预测GT,那么目标就达成了。这个步骤对红色框估计获得了蓝色框、这个框显然就是图1中那几个红色的框框了。

    多边框回归的参考文献列在下面了。详情见它。简而言之就是已经有个初始框,但是它不准,不准的因素有4个, x,y方向的偏移,x,y方向的缩放比例。然后就用神经网络去训练。让红色框与绿色框尽可能接近,那么对应的这4个参数就是需要训练的值呗

    RPN具体的pytorch代码如下。可对照代码和上面理论去对应。

    from __future__ import absolute_import
    import torch
    import torch.nn as nn
    import torch.nn.functional as F
    from torch.autograd import Variable
    
    from model.utils.config import cfg
    from .proposal_layer import _ProposalLayer
    from .anchor_target_layer import _AnchorTargetLayer
    from model.utils.net_utils import _smooth_l1_loss
    
    import numpy as np
    import math
    import pdb
    import time
    
    class _RPN(nn.Module):
        """ region proposal network """
        def __init__(self, din):
            super(_RPN, self).__init__()
            
            self.din = din  # get depth of input feature map, e.g., 256 FT
            self.anchor_scales = cfg.ANCHOR_SCALES
            self.anchor_ratios = cfg.ANCHOR_RATIOS
            self.feat_stride = cfg.FEAT_STRIDE[0]
    
            # define the convrelu layers processing input feature map
            self.RPN_Conv = nn.Conv2d(self.din, 256, 3, 1, 1, bias=True)
    
            # define bg/fg classifcation score layer
            self.nc_score_out = len(self.anchor_scales) * len(self.anchor_ratios) * 2 # 2(bg/fg) * 9 (anchors)
            self.RPN_cls_score = nn.Conv2d(256, self.nc_score_out, 1, 1, 0)
    
            # define anchor box offset prediction layer
            self.nc_bbox_out = len(self.anchor_scales) * len(self.anchor_ratios) * 4 # 4(coords) * 9 (anchors)
            self.RPN_bbox_pred = nn.Conv2d(256, self.nc_bbox_out, 1, 1, 0)
    
            # define proposal layer
            self.RPN_proposal = _ProposalLayer(self.feat_stride, self.anchor_scales, self.anchor_ratios)
    
            # define anchor target layer
            self.RPN_anchor_target = _AnchorTargetLayer(self.feat_stride, self.anchor_scales, self.anchor_ratios)
    
            self.rpn_loss_cls = 0
            self.rpn_loss_box = 0
    
        @staticmethod
        def reshape(x, d):
            input_shape = x.size()
            x = x.view(
                input_shape[0],
                int(d),
                int(float(input_shape[1] * input_shape[2]) / float(d)),
                input_shape[3]
            )
            return x
    
        def forward(self, base_feat, im_info, gt_boxes, num_boxes):
    
            batch_size = base_feat.size(0)
    
            # return feature map after convrelu layer
            rpn_conv1 = F.relu(self.RPN_Conv(base_feat), inplace=True)
            # get rpn classification score
            rpn_cls_score = self.RPN_cls_score(rpn_conv1)
    
            rpn_cls_score_reshape = self.reshape(rpn_cls_score, 2)
            rpn_cls_prob_reshape = F.softmax(rpn_cls_score_reshape, 1)
            rpn_cls_prob = self.reshape(rpn_cls_prob_reshape, self.nc_score_out)
    
            # get rpn offsets to the anchor boxes
            rpn_bbox_pred = self.RPN_bbox_pred(rpn_conv1)
    
            # proposal layer
            cfg_key = 'TRAIN' if self.training else 'TEST'
    
            rois = self.RPN_proposal((rpn_cls_prob.data, rpn_bbox_pred.data,
                                     im_info, cfg_key))
    
            self.rpn_loss_cls = 0
            self.rpn_loss_box = 0
    
            # generating training labels and build the rpn loss
            if self.training:
                assert gt_boxes is not None
    
                rpn_data = self.RPN_anchor_target((rpn_cls_score.data, gt_boxes, im_info, num_boxes))
    
                # compute classification loss
                rpn_cls_score = rpn_cls_score_reshape.permute(0, 2, 3, 1).contiguous().view(batch_size, -1, 2)
                rpn_label = rpn_data[0].view(batch_size, -1)
    
                rpn_keep = Variable(rpn_label.view(-1).ne(-1).nonzero().view(-1))
                rpn_cls_score = torch.index_select(rpn_cls_score.view(-1,2), 0, rpn_keep)
                rpn_label = torch.index_select(rpn_label.view(-1), 0, rpn_keep.data)
                rpn_label = Variable(rpn_label.long())
                self.rpn_loss_cls = F.cross_entropy(rpn_cls_score, rpn_label)
                fg_cnt = torch.sum(rpn_label.data.ne(0))
    
                rpn_bbox_targets, rpn_bbox_inside_weights, rpn_bbox_outside_weights = rpn_data[1:]
    
                # compute bbox regression loss
                rpn_bbox_inside_weights = Variable(rpn_bbox_inside_weights)
                rpn_bbox_outside_weights = Variable(rpn_bbox_outside_weights)
                rpn_bbox_targets = Variable(rpn_bbox_targets)
    
                self.rpn_loss_box = _smooth_l1_loss(rpn_bbox_pred, rpn_bbox_targets, rpn_bbox_inside_weights,
                                                                rpn_bbox_outside_weights, sigma=3, dim=[1,2,3])
    
            return rois, self.rpn_loss_cls, self.rpn_loss_box

    参考的文章太多了,哎   就厚着脸皮写个原创吧 哈哈。
    参考文献:

    1.https://blog.csdn.net/w437684664/article/details/104238521

    2.https://www.jianshu.com/p/468e08f739bd

    3.https://www.jianshu.com/p/643cdcf674fc

    4.https://blog.csdn.net/YZXnuaa/article/details/79221189

    5.https://blog.csdn.net/qq_36269513/article/details/80421990

    6.https://blog.csdn.net/zijin0802034/article/details/77685438/ 边框回归的

    7.https://blog.csdn.net/wangwei19871103/article/details/100929543 VGG主干网络与RPN的结合 基于keras的

    展开全文
  • 防火墙中的DMZ区域,Trust区域,Untrust区域

    万次阅读 多人点赞 2020-07-01 15:06:25
    区域的作用: ** 1.安全策略都基于区域实施 2.在同一区域内部发生的数据流动是不存在风险的,不需要实施任何安全策略。 只有当不同安全区域之间发生数据流动时,才会触发设备的安全检查,并实施相应的安全策略。 3....
  • DNS名词解释

    千次阅读 2020-12-22 20:29:29
    什么叫DNS?域名管理系统DNS(Domain Name System)是域名解析服务器的意思.它在互联网的作用是:把域名转换成网络可以识别的ip地址,在通过IP地址访问主机。...A (Address) 记录是用来指定主机名(或域名)对应的IP地址...
  • 基于区域分割(图像分割)

    千次阅读 2021-02-11 22:29:06
    1. 区域生长区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有...
  • OSPF中的NSSA区域

    千次阅读 2019-05-15 11:54:25
    前面我们介绍了末梢区域和完全末梢区域,今天我们来了解一下NSSA(非纯末梢区域)。 NSSA区域是OSPF RFC的补遗: 1.定义了特殊的LSA类型7; 2.具有末梢区域和完全末梢区域的优点; 3.可以包含ASBR。 我们大家接下来...
  • 候选区域方法(region proposal method): 首先,我们首先将每个像素作为一组。然后,计算每一组的纹理,并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域,我们首先对较小的组进行分组。我们继续...
  • HDFS数据跨区域存储分布

    千次阅读 2021-09-19 15:37:50
    文章目录前言跨区域存储和跨rack存储的区别HDFS跨区域存储实现 前言 在上篇文章HDFS多rack分布的block placement policy设计实现里,笔者探讨了HDFS数据副本跨多rack分布的新placement方案,以此来提高数据的可用性...
  • 全国区域数据表sql精确到乡镇街道

    热门讨论 2015-04-22 15:25:05
    全国的区县信息,精确到乡镇,网站开发必备资源 字段解释 id 编码 pid 父级编码 name 区域名称 grade 级别 1 省直辖市 2 地市 3 区县 4 乡镇接到 is_min 是否是最低的一级
  • 透彻理解RPN: 从候选区域搜索到候选区域提取网络

    万次阅读 多人点赞 2018-10-30 16:33:47
    Faster R-CNN中anchor的解释:假设图像上设定4个锚点(2x2),那么就可以看作2x2的格子,每个格子的中心叫做锚点。以锚点为中心,给定俩个宽高比(1:2, 2:1),画俩个框。绿色和红色的框就是锚点框(anchor box)。也就是...
  • 文章目录前言Stub区域和Totally Stub区域传输区域和末端网络Stub Area配置命令Totally Stub Area配置 前言 OSPF路由器需要同时维护域内路由、域间路由、外部路由信息数据库。这里的域内路由主要是指一类、二类LSA;...
  • 安全点和安全区域是什么意思?

    万次阅读 多人点赞 2021-05-17 23:51:49
    在线程执行到安全区域中的代码时,首先标识自己已经进人了安全区域,这样,当在这段时间里JVM要发起GC时,就不用管标识自己为安全区域状态的线程了。 在线程要离开安全区域时,它要检査系统是否已经完成了根节点...
  • 计算机图形学——区域填充算法

    千次阅读 2019-10-07 15:08:04
    一、区域填充概念比奇中文网 ...区域填充算法要求区域是连通的,因为只有在连通区域中,才可能将种子点的颜色扩展到区域内的其它点。 1、区域有两种表示形式 1)内点表示:枚举出区域内部的所有象素,内部所有象素...
  • 一文详解什么是可解释AI

    千次阅读 多人点赞 2021-03-03 11:43:08
    摘要:本文带来什么是可解释AI,如何使用可解释AI能力来更好理解图片分类模型的预测结果,获取作为分类预测依据的关键特征区域,从而判断得到分类结果的合理性和正确性,加速模型调优。 1. 为什么需要可解释AI? ...
  • python(matplotlib)划分子区域 在使用python绘制图形的时候,我们可能会在同一个区域绘制多个不同的图形,这个时候就需要使用多区域绘制图形,具体使用案例如下所示: 1. 利用matplotlib库文件,画出如下子图的图形...
  • 「每日一问」Java虚拟机内存分为哪几个区域

    万次阅读 多人点赞 2020-07-02 10:15:13
    在JVM的概念模型里,字节码解释器工作时就是通过改变它的值来选取下一条需要执行的字节码指令,分支、循环、跳转、异常处理、线程恢复等基础功能都是依赖它来完成的。 虚拟机栈 与程序计数器一样,Java虚拟机栈...
  • 区域生长(基于区域的图像分割)

    千次阅读 2014-05-08 14:51:16
    区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的...
  • windows server实现DNS(三)DNS辅助区域

    千次阅读 2020-04-04 18:26:59
    DNS辅助区域 前期准备 windows 2003 server(IP:192.168.91.141) windows 2003 server(IP:192.168.91.142) 目标 实现192.168.91.141与192.168.91.142上DNS数据同步 安装步骤 在192.168.91.141上...
  • 区域生长算法原理-matlab代码实现

    万次阅读 2018-03-29 13:56:58
    1. 基于区域生长算法的图像分割原理数字图像分割算法一般是基于灰度值的两个基本特性之一:不连续性和相似性。前一种性质的应用途径是基于图像灰度的不连续变化分割图像,比如图像的边缘。第二种性质的主要应用途径...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 382,468
精华内容 152,987
关键字:

区域怎么解释