lightningqw的专栏

摘要：我们在每个特征图的位置上将bbox的输出空间离散成一系列有不同尺寸和纵横比的默认的框。对于每一个默认框网络预测一个每一个类别的概率，并产生一个bbox的调整向量。此外，该网络结合了来自不同分辨率的多个特征图的预测，来处理不同尺度的目标问题。模型多尺度的特征图做检测：在base network后增加了卷积特征层。这些层在尺寸上逐渐减小，以实现多尺度的检测。该卷积模型不同于在一个单尺度特征图上计算的单特征层。训练训练ssd和训练有rpn的目标检测器的区别在于，gt信息需要被分配到固定的

摘要：特征金字塔是识别系统中用于检测不同尺度目标的基本组成部分。但是由于其比较耗费算力和内存，最近的基于深度学习的目标检测器到避免使用。本文，我们利用深度卷积网络固有的多尺度金字塔层次结构，以边际额外成本构造特征金字塔。...

fast rcnn除了proposal部分，检测部分基本可以实现实时。proposal部分的时间比检测部分慢一个数量级。考虑到检测部分利用了gpu,因此考虑将proposal也利用gpu实现。但是如果单独重新实现proposal,将忽略与下游的检测网络共享计算。本论文提出了一个可以RPN网络（仅需要10ms），与检测网络共享计算，只需要很小的额外开销，即可给出候选框。实验证明，新的检测网络不仅提高了速度（在gpu上5fps），而且精度也提高了。RPN网络，具有平移不变性，锚框和计算propos.

fast rcnn:主要是在rcnn的基础上用cnn模型更高效地对object proposals分类。主要的创新点在于：精度更高，训练和测试速度更快。Introduction: 目标检测比分类更复杂，主要体现在检测要求对目标的精确定位。主要有两个挑战。一是必须处理许多候选目标框（也叫proposals），二是这些proposals只是一个粗略的位置，必须refined，以得到更准确的定位。 在本论文中，我们精简了基于cnn目标检测器的训练过程。提出了一个单阶段的训练算法，可以联合学习对目标候

背景：2014年在经典的voc数据集上，目标的检测性能趋于稳定。最好的方法就是通过融合多个低级图像特征从而得到高级特征的系统（一个融合了多个有高级上下文的低级图像特征的系统）。重点：1.在候选框上应用了CNN网络来定位和分割目标。 2.当有标注数据有限时，先对辅助任务进行有监督地预训练，然后再在特定任务上微调，会得到明显的性能提升。RCNN设计之初：是应用recognition in region策略，应用CNN提取图片的区域特征，用来分类（区分前景背景，以及具体的类别）。实验中发现，检测误差主要来

https://www.kesci.com/home/competition