目标检测中的一些名词

本文深入探讨了目标检测中的关键技术,包括Anchor的概念及其在解决多尺度问题中的作用,非极大值抑制(NMS)的原理,区域提议(region proposal)的意义,边框回归(Bounding Box Regression)的重要性,以及MAP和IoU等评估指标的解释。同时,还讨论了1x1卷积的作用和不同的损失函数,如交叉熵和hige损失。

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

目标检测中的边框回归(Bounding Box Regression)

MAP(mean average precision 均值平均精度)

评论 1
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