![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 70
Lntano__y
在这里记录自己的学习历程,并分享给有需要的同学!
展开
-
目标检测中的head详解
在目标检测任务中,“Head”是网络的最后一部分,它从“Neck”提供的特征图中生成最终的检测结果,即目标的类别和边界框信息。不同的目标检测方法可能会有不同的Head设计,但其核心功能都是对特征图进行处理,输出目标的类别和位置。不同的目标检测算法可能有不同的Head设计,但其核心任务都是进行目标的分类和边界框回归。回归分支:用于预测每个锚框的边界框回归参数,即目标框的位置和大小。独立的分类和回归分支:每个尺度的特征图都有独立的分类和回归分支。单一输出层:YOLO在单一输出层上预测所有锚框的类别和位置。原创 2024-07-19 00:06:13 · 152 阅读 · 0 评论 -
详解目标检测中的anchors
示例假设特征图的大小为 7×77×7,每个单元格有3种尺度(128x128、256x256、512x512)和3种比例(1:1、1:2、2:1),那么每个单元格将有9个 anchors,总共有 7×7×9=4417×7×9=441 个 anchors。在网络的特征图上,每个位置通常都会有多个 anchors,这些 anchors 有不同的大小和纵横比,以适应各种目标的形状和大小。这通常通过交并比(IoU)来衡量。回归调整:对于正样本的 anchors,网络学习预测与地面真实框的偏移量(即边界框的回归)。原创 2024-07-18 23:26:41 · 166 阅读 · 0 评论 -
详解目标检测中的Neck
Neck的主要目的是生成特征金字塔,以便捕捉不同尺度的信息,从而提高检测性能。Neck模块在现代目标检测架构中扮演了重要角色,通过生成多尺度的特征金字塔,帮助网络更好地捕捉不同大小和形状的目标。下采样和上采样:Neck模块通常会进行特征图的下采样和上采样操作,以便更好地捕捉不同尺度的信息。提高特征表示能力:通过Neck模块,可以增强特征的表达能力,特别是对于小目标和复杂场景的检测。多尺度特征融合:Neck模块通过融合来自不同层次的特征,帮助网络更好地检测不同尺度的目标。目标检测中的典型架构。原创 2024-07-18 23:36:29 · 162 阅读 · 0 评论