将VGG提取的featrue map直接用作回归目标检测有多差？

原创

于 2018-07-03 17:11:02 发布 · 1.5k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉

针对网络上关于使用VGG提取的特征图进行目标检测回归的讨论，博主在PET数据集上进行了实验。结果显示，平均IOU达到46.0%，表明这种方法在目标检测中的表现并不理想。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

网上总是说将VGG输出的featrue map作为回归检测，预测目标的xy坐标非常难，也非常差，那有多差呢？

在PET数据集上测试，结果如图，平均IOU=46.0%

from keras.layers import Dense, Activation, Flatten, Convolution2D, Dropout, MaxPooling2D
from keras.optimizers import SGD, Adadelta, Adagrad
from keras.models import Sequential
import numpy as np
import tensorflow as tf
from keras import backend as K
from PIL import Image
import matplotlib.pyplot as plt

# 固定随机种子
np.random.seed(42)
session_conf = tf.ConfigProto(intra_op_parallelism_threads=1, inter_op_parallelism_threads=1)
tf.set_random_seed(42)
sess = tf.Session(graph=tf.get_default_graph(), config=session_conf)
K.set_session(sess)

def show_numpy_images(np_array_image,pred_y=None,true_y=None):
    plt.figure(figsize=(8, 8))
    for im in range(28):
        plt.subplot(4, 7, im + 1)
        image = np_array_image[im, :, :, :]

        if true_y is