![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 68
仅用于记录自己学习过程
Shashank497
我要找到你,不管南北东西
展开
-
numpy实现NMS
import numpy as npimport matplotlib.pyplot as pltdef py_cpu_nms(dets, thresh): x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:, 4] areas = (x2-x1+1)*(y2-y1+1) res = [] index = scores.argsort()[::原创 2022-01-08 10:57:53 · 1905 阅读 · 0 评论 -
NMS和soft-NMS原理和代码实现
NMSpython实现代码:import numpy as npimport matplotlib.pyplot as pltdef py_cpu_nms(dets, thresh): x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:, 4] areas = (x2-x1+1)*(y2-y1+1) res = [] index = sco原创 2022-01-13 23:03:10 · 4820 阅读 · 0 评论 -
YOLO系列详解 目标检测
yolo v1前言相比同年的fast-rcnn和ssd都没有优势详解B=2,Pr(Object)为0或者1在v1中没有anchor的概念,预测的xywh是直接预测的box的位置,不像fast-rcnn和ssd中预测的这四个值都是相对我们anchor的回归参数。在预测时,输出的结果既包含了该box为某一个目标的概率,又包含了重合程度,与fast-rcnn和ssd直接预测的目标概率不一样。存在的问题:对群体小目标效果很差,比如一群鸟。因为对每个cell只预测2个boundi原创 2022-01-09 19:56:24 · 3005 阅读 · 0 评论 -
SSD网络
背景小目标效果差的原因:只对backbone最后一层的feature map进行rpn,最后这个map细节信息丢失严重。SSD模型步距为2时,padding为1,步距为1的时候,padding为0与faster-rcnn的区别是把box放在不同的特征层与fast-rcnn不同,这里是对每个default-box都生成4个边界框回归参数,不区分类别,即4k。而fast-rcnn是每个achor会针对每个类别都会生成相应的边界框回归参数,即4ck。正样本对每个gt-bo原创 2022-01-08 21:58:37 · 1184 阅读 · 0 评论 -
RCNN、Fast-RCNN和Faster-RCNN系列
R-CNN2014年Fast-RCNN2015年Faster-RCNNrpn head的输出是包括分类和回归,分类是二分类,只区分前景和背景;回归是仅仅对于前景样本(正样本)进行基于anchor的变换回归。rpn head的目的是提取roi,然后输入到rcnn head部分进行refine。 rcnn head的输出是包括分类和回归,分类输出是类别数+1(1是考虑背景),回归是仅仅对于前景样本不考虑分类类别进行基于roi的变换回归,rcnn hea原创 2022-01-02 20:24:42 · 1448 阅读 · 0 评论