1.传统目标检测算法的基本流程
2. 特征提取方法
2.1 基于底层特征
- 基于颜色的方法
- 基于文理的方法
- 基于形状的方法
- 基于语意的方法
2.2 基于中层特征
通过机器学习或特征挖掘之后提取出来的特征
- PCA特征
- LDA学习后的特征
2.3 基于高层次的特征
进一步抽象成语意特征，例如什么样的眼睛，什么风格的帽子
3. 分类器
对候选区域提取出来的特征进行分类
- 对于单分类问题，只需要区分当前窗口中目标和背景
- 对于多分类问题，首先需要区分当前窗口中是否是背景，如果不是背景，需要对目标再进行分类
4. NMS 非极大值抑制 Non-Maximum Suppression
- 目的：为了消除多余的框，找打最佳的物体检测位置
- 思想: 用分类器分类的时候，会得到目标的概率值，选取那些邻域里分数最高的窗口，同时一致那些分数低的窗口
- Soft-NMS
1）相邻区域内检测框嗯书进行调整而非彻底抑制，从而提高了高检测率情况下的准确率
2）在低检索率时仍然对物体的检测性能有明显提升
NMS是彻底抑制相邻的非选取的检测框
s i = { s i , i f i o u ( M , b i ) < N t 0 , i f i o u ( M , b i ) ≥ N t s_i=\begin{cases} s_i, \quad if \quad iou(M,b_i) < N_t\\ 0, \quad if \quad iou(M,b_i) \geq N_t \end{cases} si={si,ifiou(M,bi)<Nt0,ifiou(M,bi)≥Nt
soft-NMS 是对检测框进行调整
s i = { s i , i f i o u ( M , b i ) < N t s i （ 1 − i o u ( M , b i ) ） , i f i o u ( M , b i ) ≥ N t s_i=\begin{cases} s_i, \quad if \quad iou(M,b_i) < N_t\\ s_i（1-iou(M,b_i)）, \quad if \quad iou(M,b_i) \geq N_t \end{cases} si={si,ifiou(M,bi)<Ntsi（1−iou(M,bi)）,ifiou(M,bi)≥Nt
具体参考专业人士说明
https://www.cnblogs.com/makefile/p/nms.html
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
