![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
&刘仔很忙
这个作者很懒,什么都没留下…
展开
-
目标检测-训练与测试
目标检测网络的训练大致是如下的流程:设置各种超参数 定义数据加载模块 dataloader 定义网络 model 定义损失函数 loss 定义优化器 optimizer 遍历训练数据,预测-计算loss-反向传播首先,我们导入必要的库,然后设定各种超参数后处理目标框信息解码之前我们的提到过,模型不是直接预测的目标框信息,而是预测的基于anchor的偏移,且经过了编码。因此后处理的第一步,就是对模型的回归头的输出进行解码,拿到真正意义上的目标框的预测结果。后处理还需要做什么呢?原创 2020-12-26 11:38:03 · 1423 阅读 · 0 评论 -
目标检测-损失函数
3.5.1 Matching strategy (匹配策略):我们分配了许多prior bboxes,我们要想让其预测类别和目标框信息,我们先要知道每个prior bbox和哪个目标对应,从而才能判断预测的是否准确,从而将训练进行下去。不同方法 ground truth boxes 与 prior bboxes 的匹配策略大致都是类似的,但是细节会有所不同。这里我们采用SSD中的匹配策略,具体如下:第一个原则:从ground truth box出发,寻找与每一个ground truth box有原创 2020-12-22 16:29:13 · 925 阅读 · 0 评论 -
目标检测-锚框(先验框)
在众多经典的目标检测模型中,均有先验框的说法,有的paper(如Faster RCNN)中称之为anchor(锚点),有的paper(如SSD)称之为prior bounding box(先验框),实际上是一个概念。接下来需要介绍3个概念:设置不同尺度的先验框 先验框与特征图的对应 先验框类别信息的确定设置不同尺度的先验框SSD算法在先验框匹配上,采用了两个原则:对于图像中每一个 ground truth 找到与其 IOU 最大的的先验框, 该先验框为正样本, 若一个先验框没有与任..原创 2020-12-19 11:20:59 · 7722 阅读 · 2 评论 -
目标检测基本概念及数据集VOC
目标检测是计算机视觉中的一个重要任务,近年来传统目标检测方法已经难以满足人们对目标检测效果的要求,随着深度学习在计算机视觉任务上取得的巨大进展,目前基于深度学习的目标检测算法已经成为主流。相比较于基于深度学习的图像分类任务,目标检测任务更具难度。具体区别如图3-1所示。图像分类:只需要判断输入的图像中是否包含感兴趣物体。目标检测:需要在识别出图片中目标类别的基础上,还要精确定位到目标的具体位置,并用外接矩形框标出。目标检测的思路如果知道了图中某个位置存在物体,再将对应的局部.原创 2020-12-16 12:22:13 · 966 阅读 · 1 评论