该篇博客探讨了目标检测技术，涉及SSD模型中C+4个滤波器的作用，以及目标检测数据集voc，coco，yolo。讨论了在Windows环境下运行FastR-CNN的错误，Faster R-CNN中微调和交替训练的理解，以及NMS在RPN后的应用。还提到了模型训练中遇到的CUDA和GPU资源问题，以及如何在CPU上加载模型。博客中还解答了YOLO、Faster R-CNN、ResNet等模型的相关疑问，包括卷积和池化操作的影响，以及使用验证集而非测试集的准确性问题。
目标检测的数据集有三种：voc，coco，yolo
问题一：
SSD里面，每个位置需要c+4个滤波器，每个框都会计算出他的分数和bounding boxs的位置，这个叫滤波器，也可以叫卷积核。
问：为什么要进行C+4次滤波，意思是这类值的产生不是一次滤波就会计算出的吗？
答：因为算四个偏移量，中心点到框的上下左右的偏移量
问：所以要计算次数加四，但是这种计算用卷积一次不就行的吗，为啥叫c+4个滤波器呢？意思是用c+4次滤波的来的吗，印象中是每滤波一次都要计算一次这四个值
答：（c+4）*K是卷积核个数
问：那么c个类别和4个信息是这c+4个卷积核得来的吗？
答：是的，输出道数等于卷积核通道数
答：是最后这些卷积核卷积得到的特征图得来的，实际上他们有两个分支，一个用kc，一个用4k。一个分支做的是回归，一个分支做的是分类
问：那理论上是不是合起来也可以，就像yolo那样
答：应该
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
