Roaddd的博客

1. IOU概述       IoU的全称为交并比（Intersection over Union），是目标检测中使用的一个概念，IoU计算的是“预测的边框”和“真实的边框”的交叠率-，即它们的交集和并集的比值。最理想情况是完全重叠，即比值为1。2. IoU计算       IoU等于“预测的边框”和“真实的边框”之间交集和并集的比值。IoU计算如下图，B1为真实

论文题目：《YOLOv3: An Incremental Improvement》论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf

论文题目：《Feature Pyramid Networks for Object Detection》论文地址：https://arxiv.org/pdf/1612.03144.pdf概述       这篇论文主要解决的问题是目标检测在处理多尺度变化问题时的不足，现在的很多网络都使用了利用单个高层特征(比如说Faster R-CNN利用下采样四倍的卷积层——Conv4，进行后续的物体的分类和bounding box的回归)，但是这

论文题目：《YOLO9000: Better, Faster, Stronger》论文地址：https://arxiv.org/pdf/1612.08242.pdf1. 前言       在前面的一篇文章中，我们详细介绍了YOLOv1的原理以及实现过程。这篇文章接着介绍YOLOv2的，YOLOv2的论文全名为YOLO9000: Better, Faster, Stronger，它斩获了CVPR 2017 Best Paper Hon

论文题目：《You Only Look Once:Unified, Real-Time Object Detection》论文地址：https://arxiv.org/pdf/1506.02640.pdf1. 概述后续的YOLOv2，YOLOv3都是在YOLOv1的基础上做的改进，因此理解掌握YOLOv1很重要。2. 核心思想将输入图像分成SxS个网格（gird cell），如果某个物体的中心落在这个网格中，那么就由这个网格负责预测这个物体。3. 基本步骤和实现方法3.1. 基本步骤

RCNN

1. 目标检测概述       目标检测任务关注的是图片中特定目标物体的位置。一个检测任务包含两个子任务，其一是输出这一目标的类别信息，属于分类任务；其二是输出目标的具体位置信息，属于定位任务。       分类的结果是一个类别标签，对于多分类任务，就是一个向量。定位任务的输出是一个位置，用矩形框表示，包含矩形框中心位置的x，y坐标和矩形框的宽度和高度。&nbsp

1. NMS1.1. NMS概述       非极大值抑制（Non-Maximum Suppression， NMS），顾名思义就是抑制不是极大值的元素，用于目标检测中，就是提取置信度高的目标检测框，而抑制置信度低的误检框。一般来说，用在当解析模型输出到目标框时，目标框会非常多，具体数量由anchor数量决定，其中有很多重复的框定位到同一个目标，NMS用来去除这些重复的框，获得真正的目标框1.2. NMS流程 &nbsp

论文题目：《Focal Loss for Dense Object Detection》论文链接：https://arxiv.org/pdf/1708.02002.pdf1. 前言       我们知道object detection的算法主要可以分为两大类：two-stage detector和one-stage detector。前者是指类似Faster RCNN，R-FCN这样需要region proposal的检测算法，这类

论文题目 ：《YOLOv4: Optimal Speed and Accuracy of Object Detection》论文地址：https://arxiv.org/pdf/2004.10934.pdf简介       在YOLO之父Joseph Redmon宣布退出计算机视觉研究的时候，很多人都以为目标检测“神器”YOLO系列就此终结。然而就在2020年4月23日，继任者YOLOv4却悄无声息的来了。Alexey Bochko

● 实际目标检测回归任务中的LossSmooth L1 Loss：L1、L2、Smooth L1作为目标检测回归Loss的缺点：1）坐标分别计算：x、y、w、h分别回归，当成4个不同的对象处理。bbox的4个部分应该是作为一个整体讨论，但是被独立看待了。2）不同的预测bbox具有相同的损失：把x、y、w、h独立看待，4个部分产生不同的loss会回归出不同的预测框，但是如果4个部分的总体loss相同，预测框该如何选取。      &nb

论文题目：《Objects as Points》论文地址：https://arxiv.org/pdf/1904.07850.pdf

论文题目：《Fast R-CNN》论文地址：Fast R-CNN1. 概述       之所以提出Fast R-CNN，主要是因为R-CNN存在以下几个问题：1、训练分多步。通过上一篇博文我们知道R-CNN的训练先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective searc