实习做检测病灶,需要用到目标检测,先占坑,后面再去看论文,看看能不能应用到病灶检测中
===================分界线=============================================================
这篇推文里共有5篇,这个是目前最新推文,2019年2月4日15:52:18
=====================================
TridentNet:处理目标检测中尺度变化新思路
quote:可以说是现在(2019-01-30)目标检测最强算法
代码:https://github.com/TuSimple/simpledet/tree/master/models/tridentnet
已经开源的话,先看这个,理解怎么做后再应用
========================================================
目标检测训练trick超级大礼包—不改模型提升精度,值得拥有(2月11日)
https://mp.weixin.qq.com/s/pkFcmm15gnuRJtngFX7f0w
代码论文地址
https://arxiv.org/abs/1902.04103v1
https://github.com/dmlc/gluon-cv
=============================================
.Guided Anchoring
论文地址:https://arxiv.org/abs/1901.03278
github地址:https://github.com/open-mmlab/mmdetection
微信推文:Guided Anchoring
好像说三四月再开源代码
=========================================================================
引用好文:一文读懂Faster RCNN:https://zhuanlan.zhihu.com/p/31426458
原本的RPN:
RPN网络实际分为2条线,上面一条通过softmax分类anchors获得foreground和background(检测目标是foreground),下面一条用于计算对于anchors的bounding box regression偏移量,以获得精确的proposal。而最后的Proposal层则负责综合foreground anchors和bounding box regression偏移量获取proposals,同时剔除太小和超出边界的proposals。其实整个网络到了Proposal Layer这里,就完成了相当于目标定位的功能。
原本的anchor是:实际上就是一组由rpn/generate_anchors.py生成的矩形。任意输入图像reshape成800x600,代码中anchors的大小有九种;检测的时候用9种anchor以某一stride滑动,检测每一个滑窗是foreground还是background,
然而:anchor的大小是个超参,用物体检测设定的anchor用在病灶检测会影响速度、准确率,主要是准确率。
===================================================
============================================