mljsuc的专栏

anchors 值的含义为在 feature maps 上进行滑窗操作(sliding window). 滑窗尺寸为 n×n, 如 3×3.对于每个滑窗, 会生成 9 个 anchors, anchors 具有相同的中心 center=xa,center=ya, 但 anchors 具有 3 种不同的长宽比(aspect ratios) 和 3 种不同的尺度(scales)。 最终，9个a...

本文是对YOLO9000: Better, Faster, Stronger（项目主页） 的翻译。加了个人理解和配图。内容参考了YOLOv2 论文笔记 - Jesse_Mx。水平有限，错误之处欢迎指正。1. 概述YOLO2主要有两个大方面的改进：使用一系列的方法对YOLO进行了改进，在保持原有速度的同时提升精度得到YOLOv2。 提出了一种目标分类与检测的联合训练...

转自https://zhuanlan.zhihu.com/p/24916786YOLO核心思想：从R-CNN到Fast R-CNN一直采用的思路是proposal+分类 （proposal 提供位置信息， 分类提供类别信息）精度已经很高，但是速度还不行。 YOLO提供了另一种更为直接的思路： 直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输...

背景介绍：基于“Proposal + Classification” 的 Object Detection 的方法，R-CNN 系列（R-CNN、SPPnet、Fast R-CNN 以及 Faster R-CNN），取得了非常好的结果，但是在速度方面离实时效果还比较远在提高 mAP 的同时兼顾速度，逐渐成为 Object Detection 未来的趋势。 YOLO 虽然能够达到实时的效果，但是...

Fast-RCNN基本实现端对端（除了proposal阶段外），下一步自然就是要把proposal阶段也用CNN实现（放到GPU上）。这就出现了Faster-RCNN，一个完全end-to-end的CNN对象检测模型。论文提出：网络中的各个卷积层特征（feature map）也可以用来预测类别相关的region proposal（不需要事先执行诸如selective se...

https://blog.youkuaiyun.com/whz1861/article/details/78768398State-of-the-art object detection networks depend on region proposal algorithms to hypothesize object locations. Advances like SPPnet and Fa...

一、基于Region Proposal（候选区域）的深度学习目标检测算法Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-Union）。图1 IoU定义Region Proposal方法比传统的滑动窗口方...

YOLO全称You Only Look Once: Unified, Real-Time Object Detection，是在CVPR2016提出的一种目标检测算法，核心思想是将目标检测转化为回归问题求解，并基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。YOLO与Faster RCNN有以下区别：Faster RCNN将目标检测分解...

RCNN, Fast RCNN, Faster RCNN，针对每一分类做proposal regression，都是与类别相关的。Faster RCNN的bbox，第一次粗回归，只有前景、背景2类，第二次位置精修就有n类（n可以是20，80等）类别更多、回归也更精细。RCNN算法步骤- 一张图像生成1K~2K个候选区域- 对每个候选区域，使用深度网络提取特征- 特征送...

http://caffecn.cn/?/question/160Question:我只知道，输入检测到的box，回归的是检测到box中心点，以及box长和宽到标记的box的映射。看过rcnn的回归的过程，就是把那个loss函数最小。但这个红框里面的loss函数 谁能解释下/*************************************************...

RCNNRCNN使用以下四步实现目标检测：a. 在图像中确定约1000-2000个候选框b. 对于每个候选框内图像块，使用深度网络提取特征c. 对候选框中提取出的特征，使用分类器判别是否属于一个特定类d. 对于属于某一特征的候选框，用回归器进一步调整其位置Fast-RCNN1. 使用selective search算法为每一张待检测的图片提取出2000左右的候选框...

二者都是指feature map cell上固定数量的box，并不是有些文章说的prior是从default挑选出来的。论文里写的default box，代码里用了prior box。论文中说边框回归类似faster rcnn，那代码里prior的4个variance又是什么? 解释如下：SSD的检测值也与Yolo不太一样。对于每个单元的每个先验框，其都输出一套独立的检测值，对应一个边界框...