- 检测的框的location,大小都要自己确定;
- 大小不一的框,准确度有待提升,甚至于有一些目标都没有框出来,这说明我们的模型还可以提升;
- 物体的识别:输入是物体,输出是类别–分类;—物体是什么?
- 物体检测:输入是物体, 输出是物体的外框(x, y , width, height)来定位物体的位置;----物体在哪里,
- 检测比识别要困难—因为物体的尺寸变化的范围很大角度, 姿态,,且物体可以分为多个类别;
- 识别—cat
- 检测: cat + location,先定位, 在定位的框内进行分类;—分类的升级;
目前的学术和工业的目标检测的算法分为3类
8. 传统的算法–:Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化
9. 候选框 、区域 + 深度学习分类:提取候选框的区域, 并对相应的区域进行深度学习为主的分类方案
.R-CNN(Selective Search + CNN + SVM)
• SPP-net(ROI Pooling)
• Fast R-CNN(Selective Search + CNN + ROI)
• Faster R-CNN(RPN + CNN + ROI)
基于深度学习的回归方法:YOLO/SSD 等方法
概念 IOU,
Intersection over Union是一种测量在特定数据集中检测相应物体标准度的一个标准。
为了可以使IoU用于测量任意大小形状的物体检测,我们需要:
1、 ground-truth bounding boxes(人为在训练集图像中标出要检测物体的大概范围); —正确答案
2、我们的算法得出的结果范围。----
也就是说,这个标准用于测量真实和预测之间的相关度,相关度越高,该值越高。
l1与l2做比较----