pangpangben的博客

DilatedEncoder

将数据集的VOC格式转为yolo格式

R-CNN:注意首先去掉AlexNet的全连接层，则剩下的AlexNet的最后一层经过展平处理为4096维，则2000个候选区域经过AlexNet后为20004096维矩阵（每一行为一个候选区域的特征向量）20004096的每一行为一个候选区域的特征向量，而409620的每一列表示一种分类器（比如，第一列为猫的分类器，第二列为狗的分类器），得到的200020矩阵（例如，第一行的第一个元素表示第一个候选区域为猫的概率，第一行第二个元素表示第一个候选区域为狗的概率）的每一列表示每个候选区域属于某分类

YOLOv1将一幅图像分成77个网格，在训练之前会进行人工标注-GT box ，它的中心落在哪个网格上，就负责预测这个目标在这里，每个网格需要预测B个bounding box和C个类别分数。B一般取2，每个bounding box除了要预测位置信息（4个值），还要预测一个confidence(YOLO独有)每个网格需要预测2个bounding box和20个类别分数，故25+20=3077表示图像中每个ceil(网格)所对应的信息，比如下图中11*30可以理解为第一个ceil的预测参数不

SSDFaster R-CNN：1.对小目标检测效果差：只是在一个特征层上进行预测，而此特征层是经过许多卷积层后所得到的feature map,已经被抽象到比较高的层次，所以细节信息的保留较少。而小目标的检测需要细节信息 ，以至于在高层的特征层上来预测我们的小目标，检测效果没有那么好2.模型大，检测速度慢：在RPN进行了一次预测，在Fast R-CNN又进行了一次预测（two-stage 的通病）在SSD上由6个预测特征层，在步距为2的时候，padding为1；在步距为1的时候，padding为

目标检测常用的两个数据集：PASCAL VOC 与 MS COCO数据集mAP：mean Average Precision, 即各类别AP的平均值‘预测得到的是：bounding box; 人工标注的是：ground Truth box(GT box)’IoU指的是预测的bounding box与人工标注的GT box的交并比TP(True Positive)：IoU>0.5的检测框数量FP(False Positive)：IoU<=0.5的检测框数量(或者检测到同一个GT的