目标检测
文章平均质量分 84
hu_Mrs
这个作者很懒,什么都没留下…
展开
-
Mask-RCNN
有关于Mask-RCNN的个人理解原创 2022-04-02 23:21:49 · 2616 阅读 · 0 评论 -
SSD_OneStage
关于对SSD的个人理解原创 2022-03-31 15:45:11 · 2919 阅读 · 0 评论 -
Faster-RCNN
关于对Faster-RCNN的个人理解背景在这之前已有加快版的Fast-RCNN,但是由于候选区域仍然是特别的多的(大约有2000个),这就会导致在后续的类别预测以及box修正这个地方计算量特别大,预测速度很慢,并且很难学习这么多个样本。因此,本文的目的还是想要去加速网络的预测速度。思想先回顾一下Fast-RCNN的算法流程,首先是将整幅图像作为网络的输入,随后将SS算法得到的2000个候选区域映射到特征图上,得到对应的特征向量,接着再预测这2000个候选区域的类别概率以及box的修正参数。从上述原创 2022-03-30 18:48:13 · 1510 阅读 · 0 评论 -
Fast-RCNN
关于Fast-RCNN的个人理解背景原创 2022-03-30 15:02:32 · 269 阅读 · 0 评论 -
R-CNN
关于R-CNN的个人理解背景此作可说是真正意义上的目标检测的开篇之作,为后续的目标检测的文章提供了强大的理论指导性。思想该算法属于多阶段网络,即在训练该模型的时候,并不能以端到端的形式直接优化参数,并且操作起来十分复杂,计算量也很大,但在这之前却并没有很好的目标检测算法。首先作者利用SS搜索算法在图像上选取出大约2000个区域(每个区域的尺寸都是随机的,并不相同),之后将每个区域缩放到相同的尺寸(默认为227 * 227),以便更好的缩入预先训练好的分类模型中(默认为AlexNet)得到每一个区域原创 2022-03-29 21:40:06 · 504 阅读 · 0 评论 -
YOLOv5
关于YOLOv5的个人理解背景虽然v5项目的作者还没有发正式的文章,但该项目早已被大家熟知。v5与之前的v4相比,我认为不同的地方主要分为以下几个方面:预测bounding box的宽高公式不同,正负样本的匹配方式。至于模型结构上大体上与v4是一样的(存在细微的差别,比如加入了SPPF模块),还有就是数据增强方面,但这并不是本文的重点,我不会对此作出详细介绍。思想与之前的版本相同,并不存在大的改动,核心思想不变(将图像分成多个grid,每个grid分别预测对应位置的bounding box)。模型原创 2022-03-29 13:37:49 · 133 阅读 · 0 评论 -
目标检测定位损失
关于目标检测中bounding box定位损失的理解在目标检测中,训练模型的损失通常有关于预测的bounding box与GT之间的边框损失。下面我会详细介绍近些年来不同的边框损失,分别为:中心点损失、宽高损失,IOU损失,GIOU损失,DIOU损失,CIOU损失。中心点损失具体做法:通过预测的bounding box中心点坐标x,y,宽高w,h,与真实的box的中心点坐标xgx_gxg,ygy_gyg,宽高wgw_gwg,hgh_ghg计算均方差损失RMS。但通过不断的实验证明,采用均方差原创 2022-03-28 21:27:35 · 688 阅读 · 0 评论