Faster R-CNN
关注
分享
扫一扫
来路与归途
来路慢慢，情不知所起；
归途遥远，眨眼便是过去。
展开
-
Faster-Rcnn
Loss3+Loss4 ：用于训练 prediction_layer的网络参数Loss1+Loss2 ：用于训练 RPN的网络参数1.prediction_layer解析参数训练：通过Loss3+Loss4训练全连接层的参数rol pooling:根据rois对net进行特征图裁剪为14*14的特征图，池化为7*7大小的特征图特征扁平化：将[batch,height,wei...原创 2019-09-20 22:33:18 · 255 阅读 · 0 评论 -
Soft—NMS/非极大值抑制
传统的NMS算法问题：可以看Figure1在Fiugre1中，检测算法本来应该输出两个框，但是传统的NMS算法可能会把score较低的绿框过滤掉（如果绿框和红框的IOU大于设定的阈值就会被过滤掉），导致只检测出一个object（一个马），显然这样object的recall就比较低了。Figure2是Soft NMS算法的伪代码。首先是关于三个输入B、S、Nt，在FIgure2中已经介绍很清...原创 2019-12-22 13:17:57 · 685 阅读 · 0 评论 -
tensorflow实现RoI Pooling
ROI池层：使用tensorflow的crop_and_resize函数作为替换，crop_and_resize需要标准化坐标中的框索引。卷积特征图被裁剪为常数大小（14,14），然后maxpooled为（7x7）import tensorflow as tfimport numpy as npimport cv2#featureMaps指的是共享卷积层输出的特征图# rois指的是...原创 2019-06-15 11:55:00 · 2849 阅读 · 3 评论 -
RoIPooling、RoIAlign
功能：将不同size的ROI区域映射到固定大小的feature map上1.RoIPooling这个可以在Faster RCNN中使用以便使生成的候选框region proposal映射产生固定大小的feature map先贴出一张图，接着通过这图解释RoiPooling的工作原理 针对上图 1)Conv layers使用的是VGG16，feat_strid...原创 2019-06-13 20:36:19 · 504 阅读 · 0 评论 -
NMS——非极大值抑制
非极大值抑制（NMS）：去除掉与得分最高的目标框IOU值>thresh的目标框，保留与得分最高的目标框IOU值<thresh的目标框；顾名思义就是抑制不是极大值的元素，搜索局部的极大值。例如在对象检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分类及分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要用到NMS来选取那些邻域里分数最...原创 2019-06-12 21:53:52 · 313 阅读 · 0 评论