leo_fighting

目录 1.网络结构 2.OHEM 前向传播 3 .reference 1.网络结构 ########################## ## Readonly RoI Network ## ######### Start ########## layer { name: "roi_pool5_readonly" type: "ROIPooling" bottom: "co...

SSD是YOLO之后又一个引人注目的目标检测结构，它沿用了YOLO中直接回归 bbox和分类概率的方法，同时又参考了Faster R-CNN，大量使用anchor来提升识别准确度。通过把这两种结构相结合，SSD保持了很高的识别速度，还能把mAP提升到较高的水平。 一、基本结构与原理 原作者给了两种SSD结构，SSD 300和SSD 512，用于不同输入尺寸的图像识别。本文中以SSD 300为例...

1. 输入 ：N 个训练对 ，其中， 表示 的是Proposal的中心点坐标和宽高。 方便叙述，以下公式中上标i均略去显示。 另外，表示的是Ground-truth 的 中心点坐标和宽高。 2.输出：预测的 ground-truth 边框回归的目标是学习一种映射关系，来完成Proposal Ｐ到 ground-truth G的映射。 首先通过和完成中心点的平移，再通过...

""" 基于numpy 实现的 非极大值抑制 NMS """ import numpy as np def py_cpu_nms(dets, thresh): """ nms :param dets: ndarray [x1,y1,x2,y2,score] :param thresh: int :return: list[index] """ ...

论文题目：Feature Pyramid Networks for Object Detection 论文链接：论文链接 论文代码：Caffe版本代码链接 一、FPN初探 1. 图像金字塔 图1 图像金字塔 图2 高斯金字塔效果 如上图所示，这是一个图像金字塔，做CV的你肯定很熟悉，因为在很多的经典算法里面都有它的身影，比如SIFT、HOG等算法。我们常用的是高斯金字塔...

1. Background & Related Work 1.1 简介 这篇文章主要的研究点是目标检测中的小物体问题。小物体检测一直是目标检测中的难题，做过实验的同学应该都知道数据集中small类的AP基本是最低的，主要原因是两个，一个就是CNN网络提取到的语义化特征和分辨率之间的矛盾；另一个就是目前的目标检测都采用了Faster RCNN的Anchor思想，小物体有时候即使全部在An...

学习RCNN系列论文时， 出现了感受野(receptive field)的名词， 感受野的尺寸大小是如何计算的，在网上没有搜到特别详细的介绍， 为了加深印象，记录下自己对这一感念的理解，希望对理解基于CNN的物体检测过程有所帮助。 1感受野的概念 　　在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。 　　 　...