关于FDDB与YOLO的几个问题

最新推荐文章于 2021-08-03 15:20:29 发布

Mr_JQK

最新推荐文章于 2021-08-03 15:20:29 发布

阅读量1k

点赞数

文章标签： yolo

本文链接：https://blog.csdn.net/Mr_JQK/article/details/65448491

版权

关于FDDB与YOLO的几个问题

FDDB人脸检测benchmark，YOLO目标检测。

关于FDDB与YOLO的几个问题
- FDDB
- YOLOv2
  - 问题1
  - 问题2

FDDB

问题1

为什么FDDB测试的时候需要每个给出每个proposal的confidence(probability)？

问题2

测试出来的ROC曲线有连续和离散之分，有何区别？为何连续和离散差距那么大？

问题3

ROC是什么？

YOLOv2

问题1

改进中的anchor和RPN是怎么做的？

问题2

YOLOv2有什么其他改进？

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Mr_JQK

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

YOLOv2如何fine-tuning？

木凌的博客

12-01

1万+

作者：木凌时间：2016年11月。博客连接：http://blog.csdn.net/u014540717 QQ交流群：554590241 在上一篇用YOLOv2模型训练VOC数据集中，我们尝试用YOLOv2来训练voc数据集，但我想训练自己的数据集，那么YOLOv2如何做fine-tuning呢？我们一步一步来做～1 准备数据1.1 建立层次结构首先在darknet/data文件夹下创

yolo系列外文翻译_Cascade R-CNN和YOLOv3在导弹目标识别中的应用

weixin_33806343的博客

01-12

1076

1. 引言随着武器装备的发展日趋智能化，自动目标识别(Automatic target recognition, ATR)成为导弹末制导研究的重要课题 [1]。自20世纪60年代提出ATR概念以来，ATR技术得到迅猛发展，相关学者对不同制导模式提出了算法理论，并伴随技术发展不断提出新算法 [2]。当前，基于可见光、激光和红外图像识别等技术在导弹目标识别中已广泛应用，但识别精度有待进一步提高，迫切需...

参与评论您还未登录，请先登录后发表或查看评论

论文《FDDB: A Benchmark for Face Detection in Unconstrained Settings》导读

荆棘鸟的专栏

02-05

3554

说到人脸检测，就要谈一谈FDDB，FDDB提供了人脸检测的一个标准，其检测结果可以作为业界内的一个标杆，关于FDDB的具体标准，在该论文中有详细叙述，在此记录下我的解读。该论文共有八个章节和俩个附录，结构明晰内容清楚，接下来分章节解读论文内容：第一章节提出了人脸检测的现状，也就是缺乏标准，各家各说各的好，但没有标准，也就没有比较，FDDB应运而生。该节首先点评了一下

YOLOv3 人脸检测

evergreenswj的博客

09-02

3512

https://blog.csdn.net/u010397980/article/details/86764637

背景区域为负样本什么意思_目标检测正负样本区分策略和平衡策略总结(一)

weixin_39620118的博客

11-27

1239

0 简介本文抛弃网络具体结构，仅仅从正负样本区分和正负样本平衡策略进行分析，大体可以分为正负样本定义、正负样本采样和平衡loss设计三个方面，主要是网络预测输出和loss核心设计即仅仅涉及网络的head部分。所有涉及到的代码均以mmdetection为主。本文是第一部分，主要包括faster rcnn、libra rcnn、retinanet、ssd和yolo一共5篇文章。下一篇会包括anchor...

揭秘YOLO算法：10个关键步骤掌握目标检测精髓

YOLO（You Only Look Once）算法是一种单阶段目标检测算法，它将目标检测任务转化为一个回归问题。与传统的多阶段算法不同，YOLO算法只需一次前向传播即可完成目标检测，大大提高了检测速度。 YOLO算法的原理是将...

YOLO目标检测：目标定位提升：提升YOLO目标定位精度的实战技巧

![YOLO目标检测：目标定位提升：提升YOLO目标定位精度的...与传统的两阶段目标检测算法（如R-CNN）不同，YOLO算法将目标检测任务转化为一个回归问题，直接预测目标的边界框和类别概率。这种单阶段的特性使YOLO算法具

YOLO算法及其在人脸检测中的应用

在YOLO算法出现之前，目标检测算法通常会采用两步法，即先生成候选框，再对每个候选框进行分类与定位。这样的算法需要多次前向传递，导致处理速度较慢。而YOLO算法则采用了单次前向传递的方式，将目标检测转化为一个...

揭秘YOLO算法：实时目标检测的革命性技术

![yolo算法的用处]...YOLO算法基于卷积神经网络（CNN）构建，它将目标检测问题转化为回归问题，直接预测目标的边界框和类别。这种端到端的方式避免了传统

端到端人脸检测与识别空间变换及特征融合的卷积神经网络模型

虚拟现实智能硬件，2020 2（2）：119-131DOI：10.1016/j.vrih.2020.04.002虚拟现实智能硬件2020年第2期·文章·端到端空间变换人脸检测与识别洪志汉*，李永智浙江大学CAD CG国家重点实验室，浙江杭州310058*通讯作者...

样本不平衡问题 | 目标检测（文后分享大量检测+分割框架）

gzq0723的博客

01-17

3472

背景2020 Happy New Year《Residual Objectness for Imbalance Reduction》是2019 arXiv上的文章。样本不平衡问题感觉近期...

YOLOv5 实现目标检测（训练自己的数据集实现猫猫识别）

热门推荐

oJiWuXuan的博客

07-25

15万+

一、概要 2020年6月10日，Ultralytics在github上正式发布了YOLOv5。YOLO系列可以说是单机目标检测框架中的潮流前线了，由于YOLOv5是在PyTorch中实现的，它受益于成熟的PyTorch生态系统，支持更简单，部署更容易，相对于YOLOv4，YOLOv5具有以下优点：速度更快。在YOLOv5 Colab notebook上，运行Tesla P100，我们看到每张图像的推理时间仅需0.007秒，这意味着每秒140帧（FPS），速度是YOLOv4的2倍还多。精度更高。在Rob

YOLO详解 - YOLO的Grid Cells机制 VS. Faster RCNN的Anchor Boxes机制

Forskamse's Blog

02-09

2767

Grid Cells机制虽然YOLO中设置了两个Predictor（这里记为Predictor A和Predictor B），但是YOLO并没有让一个Grid Cell去预测多个Object，它的机制是通过计算Grid Cell与不同Object的IOU，让这个Grid Cell去负责IOU最大的哪个Object，也就是说两个Predictor都去预测这个Object。就以下图为例（请暂时忽略...

目标检测数据不均衡问题

helloworld1213800的博客

11-18

5780

数据不均衡的影响：如果数据中存在不均衡的现象，网络模型的训练过程中会偏向于数量较多的目标。举个极端的例子，假设数据集的构成为： car plane 10000 1 如果在loss中不做任何处理，模型完全可以只关注car这一类，plane类由于数量太少，对loss几乎不会产生影响。这样的话，在检测过程中，plane类的准确率将会惨不忍睹。解决方法：数据扩充。这是最...

cascade-rcnn训练总结

aqldurtn22614的博客

12-26

707

cascade-rcnn https://github.com/zhaoweicai/cascade-rcnn 　　这是目标检测非常不错的一种方法，没有过分强调主干网络，而是采用层叠的方式提高IOU阈值来提纯样本，对不同的主干网络都能取得2~4个点的提升。　　下面对用自己的数据集进行训练的时候出现的问题进行总结。其实也很简单，端到端的训练，就是参数很多，要理解了才能很好...

fddb库上使用ssd训练的人脸检测器

xunan003的博客

03-28

1457

fddb库上使用ssd训练的人脸检测器如果你正在使用opencv3.3及以上的版本，而且想直接看结果而不是训练的话，可以直接跳过第一节的caffe-ssd配置1. 下载并编译ssdgit clone https://github.com/weiliu89/caffe cd caffe git checkout ssd cp Makefile.config.example Makefile.conf...

Cascade R-CNN解析

08-03

3064

在目标检测中，需要通过IoU (intersection over union)阈值来定义正负。用低IoU阈值(例如0.5)训练的目标检测器通常会产生噪声检测。但是，随着IoU阈值的增加，检测性能趋于下降。产生这个问题主要有两个原因： 1、随着网络训练的深入，正样本迅速减少导致过拟合； 2、训练和推理使用不同的IOU阈值很容易出现检测问题。为了解决IOU阈值设置的问题，作者提出适用于多阶段目标检测结构模型的：Cascade R-CNN用来解决这些问题。它由一系列的检测器来...

解决one-stage目标检测正负样本不均衡的另类方法--Gradient Harmonized

watermelon1123的博客

04-19

7533

正负样本不均衡问题一直是One-stage目标检测中被大家所诟病的地方，He Keming等人提出了Focal Loss来解决这个问题。而AAAI2019上的一篇论文《Gradient Harmonized Single-stage Detector》则尝试从梯度分部的角度，来解释样本分步不均衡给目one-stage目标检测带来的瓶颈本质，并尝试提出了一种新的损失函数：GHM(Gradient H...

FDDB：无约束环境下人脸识别新基准与评估方法