目标检测中的一些名词

最新推荐文章于 2024-04-09 20:13:28 发布

xyz2107605729

最新推荐文章于 2024-04-09 20:13:28 发布

阅读量1.1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：目标检测

本文链接：https://blog.youkuaiyun.com/xyz2107605729/article/details/88727349

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。