Faster R-CNN中RPN的部分理解

博客介绍了设置anchors的算法,允许anchors比标注的接收区域大,以便在部分物体可见时预测物体。还提到训练时忽略与原图像边界交叉的anchors,可减少运算时间,如1000×600图像的anchors从约20k减至约6k。

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

一、

We note that our algorithm allows the use of anchor boxes that are larger than the underlying receptive field when predicting large proposals.

在设置anchors的算法中,允许anchors比标注的接收区域大,从而达到当只有一部分物体可见时,仍然可以预测出物体的目的。

这里可以理解为,你的视野anchors比标注区域大,即你可以知道的比所要知道的区域大,可以通过已知的区域来正确地预测未知

的区域。

二、

During training, we ignore all cross-boundary anchors so they do not contribute to the loss. For a typical 1000 × 600 image, there will be roughly 20k (≈ 60 × 40 × 9) anchors in total. With the cross-boundary anchors ignored, there are about 6k anchors per image for training.

croos-boundary anchors 理解为  与原图像边界有交叉的anchors​​

当anchors与原图像边界交叉时,将其删除。因为anchors遍布在图片中,所以即使删除掉的这些anchors中会含有一些物体,但是

一定会有其他不与边界交叉的anchors中包含这些物体。因此,删除这些cross-boundary anchors 从而将anchors减少到6k。减少了

运算的时间。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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