anchor
- https://blog.youkuaiyun.com/xyz2107605729/article/details/88854775
- 第一次出现在 faster R-CNN的论文里,用来解决多尺度问题,以往解决多尺度问题的方法有两种,一是图像金字塔,二是卷积核金字塔,(特征金字塔 FPN feature pyramid network),这两种方式都会引入大量的计算。anchors 机制,引入不同尺寸、不同高宽比的 anchors, 较好地解决了多尺度问题
- 感受野 https://blog.youkuaiyun.com/xyz2107605729/article/details/88800711
- 小目标的 anchor 要稠密,以免漏检目标,大目标的 anchor 要稀疏
- 感受野大小一般要大于 anchor
- anchor 大小的设置对小目标检测影响较大
候选框到 feature map 的转换
非极大值抑制 NMS(non maximum suppression)
- https://zhuanlan.zhihu.com/p/48169867
- 文章中有一些小问题
- 一些小小的笔误,nms流程的地方,第三步应该是bcd和a计算iou。(这个评论是不对的,NMS是以分类置信度排序进行抑制的,所以,下一条评论较为合理)
- nms过程图画错了,应该是同一类的进行nms,对于dog是0.9,0.85,0.01,0.25排序和抑制。nms可以用GPU计算,nms用CPU计算也不是two-stage慢的原因,原因是有大量的proposal都要进行ROI pooling和FC很耗时。
目标检测中的 region proposal的作用
- https://www.zhihu.com/question/265345106/answer/294410307 很好地解释了faster R-CNN中的RPN网络