2020论文
bo.qiu_xbw
Talking is cheap ,show me the code.
展开
-
YOLOV1与V3的(模型,loss要点详述)
正样本的选择: 目标中心点落在哪个grid上,然后计算这个grid的9个先验框(anchor)和目标真实位置的IOU值(直接计算,不考虑二者的中心位置),取IOU值最大的先验框和目标匹配。于是,找到的该grid中的 该anchor 负责预测这个目标,其余的网格、anchor都不负责。 负样本的选择: 计算各个先验框和所有的目标ground truth之间的IOU,如果某先验框和图像中所有物体最大的IOU都小于阈值(一般0.5),那么就认为该先验框不含目标,记作负样本,其置信度应当为0 不参与计算部分 这部分原创 2020-08-09 17:01:40 · 446 阅读 · 0 评论 -
Faster-RCNN的要点详述
1.RPN输出有两个分支,一个regression layer(回归),一个是cls layer(二分类,是不是object)。一个像素点输出的9个anchor,3个scale,3个ratio。最后输出的维度是(特征图的长x特征图的宽x9x(2(is or not object)+4(x,y,w,h))) 2.RPN的loss ** 正负样本的选择非常重要 ** positive标准: 1.anchor与gt的IOU最大。2.anchor与gt的IOU大于0.7 通常第二点基本就能全部满足,但是有特殊情况原创 2020-08-07 14:53:06 · 419 阅读 · 0 评论 -
SSD要点详述
1.SSD每层都会生成不同个数的边界框个数,ratio和scale也不相同,遵循大的特征图预测小的样本,小的特征图预测大的样本。 2.总的loss由两个loss组成,一个是分类loss,一个是回归loss,回归loss是smooth L1,包括了w,h的误差。(这在后面的检测变成了三个loss,多了一个误差loss) 3.正样本的选取策略:1.全图找,与gt的IOU最大的当做positive2.IOU>0.5定为positive 负样本,根据置信度排序,(误差越大,置信度越小),按照1:3随机选取。原创 2020-05-21 16:55:39 · 339 阅读 · 0 评论 -
Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector(FSOD)论文精度
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200310115250105.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNzM4NjU0,size_16,color_FFFFF...原创 2020-03-10 12:00:38 · 490 阅读 · 0 评论 -
Residual Knowledge Distillation论文精度
原创 2020-03-02 10:06:39 · 693 阅读 · 0 评论 -
Probabilistic Object Detection: Definition and Evaluation
原创 2020-02-07 20:42:58 · 310 阅读 · 0 评论