![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
无风而起
这个作者很懒,什么都没留下…
展开
-
论文阅读——Effificient Multiple Organ Localization in CT Image Using 3D Region Proposal Network
论文【Effificient Multiple Organ Localization in CT Image Using 3D Region Proposal Network】前几年的CT图像器官检测中的深度学习方法常用2D slices,比如利用冠状面、矢状面、横断面的CT slices训练3个独立的2D网络,通过3个预测B-box确定器官的形心和范围等等一些2D方法。这些策略有两个局限性:第一,相邻层很相似,冗余大,一层一层预测时间消耗多。第二,不能充分利用CT图像的3D空间信息。因此作者尝试原创 2020-10-22 14:30:44 · 482 阅读 · 3 评论 -
非极大抑制(Non-max suppression,NMS)算法
非极大抑制(Non-max suppression,NMS)算法目标检测算法会生成很多候选框,这时我们要将多余的候选框去除,如上图,这就要用到NMS算法。以YOLOV1举例,对于YOLOv1而言,网络最终会生成98个候选框。代码中的做法是:对98个候选框进行筛选,先删除confidence小于0.1的,再对每个候选框分别计算score,score为confidence*最大类别概率,删除score<0.1的,得到剩余候选框列表L后再进行下一步NMS处理:先取L中score最大的候选框,然后删原创 2020-10-20 09:41:39 · 757 阅读 · 0 评论 -
2D IOU与3D IOU计算
在目标检测任务中,常用IOU作为评价指标,它的含义就是交并比,如下图:计算方式很直观,将预测框与ground truth框之间的交集比上两者的并集。代码如下:def compute_iou(pos1,pos2): left1,top1,right1,down1 = pos1 left2,top2,right2,down2 = pos2 area1 = (right1-left1)*(top1-down1) area2 = (right2-left2)*(top2-do原创 2020-10-13 09:20:35 · 5582 阅读 · 6 评论