该博客介绍了一种两步走的深度学习框架，用于目标检测。首先生成目标提案，然后在提案中进行检测。算法通过共享大部分网络提高了效率，并减少提案数量但保持高召回率，显著提升准确性。它在VGG-A网络上进行微调，包括两个分支，分别处理Mask和得分。训练样本包括RGB图像、像素级掩码和标签。网络结构包括卷积、池化层，以及Mask和score分支。在测试阶段，通过不同位置和尺度变换确保覆盖所有目标。
转载请表明：http://blog.csdn.net/ikerpeng/article/details/52453830
内容概要：
采用的是 两步走的 Object detection的 深度学习框架，首先通过框架的第一部分的分支给出 目标 proposal； 然后 在proposal当中进行检测。 文章的的优点在于： proposal和 detection两部分共享大部分网络，网络精简 且效率高； 得到的proposal 数目更少，但是recall却非常的高；文章的准确度大幅度的提高；目前刚刚开源。
最低0.47元/天 解锁文章
扫一扫
1295
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
