Faster RCNN原理到应用

Faster RCNN原理到应用

1.目标检测发展
2.原理解读
3.源码解读
4.应用到自己数据集
参考：https://blog.csdn.net/qq_17448289/article/details/52871461
http://www.360doc.com/content/17/0809/10/10408243_677742029.shtml

---

一、目标检测发展

1 目标检测评估指标

目标检测主要解决问题：图像上目标在哪（位置），目标是什么（类别）。因此，目标检测的指标为：定位精度、识别精度、检测速度。

定位精度：衡量指标为IOU，即预测的目标窗口和真实的目标窗口的交叠（两个窗口的交集与并集比值），一般为0.5，如下图为某比赛的评分标准。

识别精度：衡量指标为mAP(mean average precision)。多个类别物体检测中，每一个类别都可以根据recall和precision绘制一条曲线，AP是该曲线下的面积，mAP是多个类别AP的平均值。
——补充，Precision：精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是

$$Precision = \dfrac{TP}{TP+FP}$$
也叫 查准率，即： 查准率＝检索出的相关信息量 / 检索出的信息总量

——补充，Recall:召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

$$Recall = \dfrac{TP}{TP+FN}$$
也叫 查全率，即： 查全率=检索出相关信息量 / 系统中相关的信息总量

参考：http://charleshm.github.io/2016/03/Model-Performance/
（机器学习性能评估指标）
http://charleshm.github.io/2016/02/Discriminative-vs-Generative/
（生成模型与判别模型）
http://charleshm.github.io/2016/02/Discriminative-vs-Generative/

2.目标检测综述