multiBox介绍

最新推荐文章于 2025-01-12 19:14:19 发布

原创

最新推荐文章于 2025-01-12 19:14:19 发布 · 589 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #目标检测

本文介绍了一种基于深度学习的多尺度对象检测方法multiBox，它通过回归问题预测boundingboxes及其置信度。创新点在于将目标检测视为回归任务，采用分配问题构建损失函数，并采用无类别方式训练。该方法有助于生成高质量的Regionproposals，提升后续目标检测的精度。

multiBox论文：

Scalable Object Detection using Deep Neural Networks

网络目的：

生成多个大小不一、不确定类别但包含目标的bounding boxes。可以理解为在一副图像基础上生成多个大小不一的Region proposals。
作者利用DNN，输出一定数量的bounding boxes，以及每个box包含目标的置信度。

网络创新点：

网络创新点主要有三点：
1、将目标检测作为一个回归问题，预测多个bounding boxes的坐标，并预测出每个box的置信度（用于判断box包含目标可能性的大小）；
2、利用分配问题的思想构建损失函数，通过反向传递优化参数；
3、使用了一种无类别的方式去训练目标box预测器。

网络预测信息：

网络最终预测的信息为bounding boxes和confidence（置信度）：
bounding boxes：以左上、右下两个坐标点作为每个box的4个节点值，且利用图像的维度将这4个值进行归一化处理，通过网络最后一个隐藏层去预测。
confidence（置信度）：用于判断是否包含目标的置信度分数单独作为一个节点值，利用网络最后一个隐藏层去预测然后通过sigmoid函数计算获得。