a的博客

损失函数：反向传播：优化器：

一、性能SSD进一步提高了检测精度和速度(VOC-07 mAP=76.8%, VOC-12 mAP=74.9%, COCO mAP@.5=46.5%, mAP@[.5,.95]=26.8%, SSD的精简版速度达到59 fps)。 二、算法原理SSD算法基本流程：1.输入一幅图片，让图片经过卷积神经网络（CNN）提取特征，并生成 feature map。2.抽取其中六层的feature map，然后再 feature map 的每个点上生成 default bo...

一、背景1.设计Region Proposal Networks，利用CNN卷积操作后的特征图生成region proposals，代替了Selective Search、EdgeBoxes等方法，速度上提升明显。2.训练Region Proposal Networks与Fast R-CNN检测网络共享卷积层，大幅提高网络的检测速度。二、算法原理Faster R-CNN算法流程可分为3个步骤：将图像输入网络得到相应的特征图 使用RPN结构生成候选框，将RPN生成的候选框投影到.

1.背景1.R-CNN网络训练、测试速度都很慢：R-CNN网络中，一张图经由selective search算法提取约2k个建议框(这2k个建议框大量重叠)，而所有建议框变形后都要输入AlexNet CNN网络提取特征(即约2k次特征提取)，会出现上述重叠区域多次重复提取特征，提取特征操作冗余；2.R-CNN网络训练、测试繁琐：R-CNN网络训练过程分为ILSVRC 2012样本下有监督预训练、PASCAL VOC 2007该特定样本下的微调、20类即20个SVM分类器训练、20类即20个Bound

一、背景和意义论文链接：R-CNN主要贡献：1.在 Pascal VOC 2012 的数据集上，能够将目标检测的验证指标 mAP 提升到 53.3%,这相对于之前最好的结果提升了整整 30%.2.这篇论文证明了可以讲神经网络应用在自底向上的候选区域，这样就可以进行目标分类和目标定位。3.这篇论文也带来了一个观点，那就是当你缺乏大量的标注数据时，比较好的可行的手段是，进行神经网络的迁移学习，采用在其他大型数据集训练过后的神经网络，然后在小规模特定的数据集中进行fine-tune微调。二

目前目标检测算法发展成了两条技术路线：Anchor based方法和Anchor free方法。一：Anchor basedAnchor-based方法则包括一阶段和二阶段检测算法(二阶段目标检测算法一般比一阶段精度要高，但一阶段检测算法速度会更快)。 1.1 Two-stage目标检测算法二阶段算法主要分为以下2个阶段：从图像中生成Region proposals 从Region proposals生成最终的物体边框并分类。主要算法：R-CNN系列 1.2One-st...