Revisiting RCNN: On Awakening the Classification Power of Faster RCNN解读

本文探讨了2018年ECCV论文中关于Fast R-CNN的分类能力的观点,指出大部分假阳性是由分类而非定位错误导致。文章进一步提出了三个关键思考:分类与回归任务的不匹配、多任务学习可能带来的次优解问题以及不同尺度感受野对小目标检测的影响。

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

2018ECCV文章,对于faster rcnn 的分类能力的思考:

most hard false positives result fromclassification instead of localization.

文中说,大部分的FP是分类错误导致的而不是回归(这个观点我持保留意见)。

We conjecture that:

(1) Shared feature representation is not optimal due to the mismatched goals of fea-
ture learning for classification and localization;

(2) multi-task learning helps, yet optimization of the multi-task loss may result in sub-optimal for individual tasks;

(3) large receptive field for different scales leads to redundant context information for small objects.

总结为三点思考:

1.分类和回归本身两个任务的不同,然后目前的结构是两者共享前面的特征,这种方式不是最优的

2.多任务联合训练的loss可能导致单个任务陷入局部最优

3.不同尺度上的大感受野可能会导致在检测小物体时有冗余的特征

 

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