March_A的博客

对于一些特殊场景和仪表数量较少时比较适合。

目标检测中的指针识别。

2)每个网格要预测B个bounding box，每个bounding box 除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。注意：这里的SPP和SPPnet中的SPP结构不一样，Spatial Pyramid Pooling。1) 将一幅图像分成SxS个网格(grid cell)，如果。实现了不同尺度的特征融合实现了不同尺度的特征融合，中，则这个网格就负责预测这个object。5.2.1 普通CSP结构。

将预测的边界框中心限制在当前cell中，表示预测目标边界框与真实目标边界框的。实现了不同尺度的特征融合。函数得到的预测置信度,

2)每个网格要预测B个bounding box，每个bounding box 除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。1) 将一幅图像分成SxS个网格(grid cell)，如果某个object的中心 落在这个网格中，则这个网格就负责预测这个object。

基于MASK-RCNN框架的气球检测项目项目介绍项目流程下载数据集下载MASK-RCNN框架源码MASK-RCNN模型介绍FPN层特征提取原理解读FPN网络架构实现解读生成框比例设置基于不同尺度特征图生成所有框RPN层的作用与实现解读候选框过滤方法Proposal层实现方法DetectionTarget层的作用正负样本选择与标签定义RoiPooling层的作用与目的RorAlign操作的效果整体框架回顾Lableme工具安装。

要点：参考资料：vision/references/detection at main · pytorch/vision · GitHub（下载后放入当前文件夹中）Resnet50 预训练权重 https://download.pytorch.org/models/resnet50-0676ba61.pth (注意，下载预训练权重后要重命名， 比如在train.py中读取的是文件，不是)Mask R-CNN(Resnet50+FPN) 预训练权重 https://download.pytorch.org/m

要点：Faster R-CNN算法流程可分为3个步骤对于特征图上的每个3x3的滑动窗口，计算出滑动窗口中心点对应 原始图像上的中心点，并计算出k个anchor boxes (注意和proposal的差异)。对于一张1000x600x3的图像，大约有 60x40x9(20k)个anchor，忽略跨越边界的 anchor以后，剩下约6k个anchor。对于RPN 生成的候选框之间存在大量重叠，基于候选框的cls得分，采用非极大值抑制，IoU 设为0.7，这样每张图片只剩2k个候选框。 直接采用RPN Lo

要点：FastR-CNN 属于。

此外，为了提高算法的效率，Selective Search还可以使用快速的图像分割技术，如Felzenszwalb和Huttenlocher算法。具体来说，它首先将图像分成许多小块，然后计算这些小块之间的相似度，并将相似度高的小块合并成一个更大的超像素。最终，Selective Search算法会生成一个超像素图像，其中每个超像素都代表了一个具有相似特征的图像区域。Selective Search算法是一种基于目标检测的图像分割算法，它能够将图像分成多个区域，每个区域都具有相似的纹理、颜色和其他特征。

正确的边界框(ground truth)中除去被预测正确的边界框，剩下的边界框的数量。预测出的所有边界框中除去预测正确的边界框，剩下的边界框的数量。不同recall下的最高precision的均值。即模型给出的所有预测结果中命中真实目标的比例。一个没有被检测出来的ground truth。即模型给出的预测结果最多能覆盖多少真实目标，模型给出的所有预测结果中命中真实目标的比例。被找到的正确目标和所有正确目标的比值。被找到的正确目标和所有正确目标的比值。分类正确且边界框坐标正确的数量。，各类别的AP的均值。

在2014年发布的数据规模分train/val/test分别为80k/40k/40k，学术界较为通用的划分是使用train和35k的val子集作为训练集（trainval35k），使用剩余的val作为测试集（minival），同时向官方的evaluation server提交结果（test-dev）。ImageNet数据集文档详细，有专门的团队维护，使用非常方便，在计算机视觉领域研究论文中应用非常广，几乎成为了目前深度学习图像领域算法性能检验的“标准”数据集。另外，这些图像是非常多样化的，并且。

在目标检测深度学习的训练过程中，正负样本的比例其实不均衡的，因为标注的数据就是正样本，数量肯定是固定的，为了保证正负样本的均衡，所以会选取一定的背景图片作为负样本，但是背景图片的样本集是一个open-set，不可能全部参与训练。，是VOC-07，08，09目标检测比赛的赢家，它是HOG方法的拓展。早期目标检测中，是提取特征加上分类器这样一个套路来进行目标检测的，分类器一般是线性分类器，但是线性分类器没有非线性分类器效果好，例如svm就是非线性的，所以加速分类器的运行也是提升检测算法速度的一个方法。

经过1*1*64的卷积以降低特征图的维度，得到26*26*64的特征图，然后经过pass through层的处理变成13*13*256的特征图（抽取原特征图每个2*2的局部区域组成新的channel，即原特征图大小降低4倍，channel增加4倍），再与13*13*1024大小的特征图连接，变成13*13*1280的特征图，最后在这些特征图上做预测。由于图片中的物体都倾向于出现在图片的中心位置，若特征图恰好有一个中心位置，利用这个中心位置预测中心点落入该位置的物体，对这些物体的检测会更容易。