边框回归：BoundingBox-Regression(BBR)

最新推荐文章于 2024-06-26 21:19:32 发布
最新推荐文章于 2024-06-26 21:19:32 发布
阅读量8k 收藏 83
点赞数 21
分类专栏： 论文阅读 深度学习 文章标签： BoundingBoxRegression BBR 边框回归 RCNN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/v1_vivian/article/details/80292569
版权
本文介绍了BoundingBox Regression (BBR)在RCNN中的应用，解释了BBR的主要目的是解决mislocalization问题，通过线性回归提高mAp。内容详细解析了BBR的输入不是所有IoU小于0.6的框，而是选取IoU大于0.6的框进行回归。同时，讨论了为何在IoU较大的情况下，变换可以视为线性变化，并且说明了使用exp形式表示缩放尺寸的原因。最后，阐述了损失函数和输入特征的选择，强调BBR是针对每种类别训练的，而非独立于分类信息。
摘要由CSDN通过智能技术生成

为什么要做BoundingBox Regression（BBR）?

首先我们先来考虑，RCNN中为什么要做BoundingBox-Regression?

Bounding Boxregression是 RCNN中使用的边框回归方法，在RCNN的论文中，作者指出：主要的错误是源于mislocalization。为了解决这个问题，作者使用了bounding box regression。
这个方法使得mAp提高了3到4个点。
这里写图片描述

BBR的输入 是什么？

注意，这里网上很多地方都说的不太正确，有误导，我仔细理解了一些论文，把自己的理解写下。（羞涩）
这里写图片描述

对于预测框P,我们有一个ground truth是G：当0.1< IoU < 0.5时出现重复，这种情况属于作者说的poor localiazation, 但注意：我们使用的并不是这样的框进行BBR(网上很多地方都在这里出现了误导),作者是用iou>0.6的进行BBR,也就是iou<0.6的Bounding Box会直接被舍弃，不进行BBR。这样做是为了满足线性转换的条件。否则会导致训练的回归模型不 work.</

最低0.47元/天 解锁文章
v1_vivian
关注
  • 21
    点赞
  • 踩
  • 83
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
专栏目录
边框回归(Bounding Box Regression)详解
南有乔木NTU的博客
08-31 20万+
Bounding-Box regression最近一直看检测有关的Paper, 从rcnn， fast rcnn, faster rcnn, yolo, r-fcn, ssd，到今年cvpr最新的yolo9000。这些paper中损失函数都包含了边框回归，除了rcnn详细介绍了，其他的paper都是一笔带过，或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多，后面的两条我看了很多pape
R-CNN系列三篇论文英文原文
08-07
R-CNN系列三篇论文英文原文。从 R-CNN，SPP-net，到 Fast R-CNN，再到 Faster R-CNN，一路走 来，从流程上来说，基于深度学习的目标检测越来越精简；从精确度上来说，其 精确程度越来越高；从运行速度上来说，也越来越快。可以说基于候选区域的 R-CNN 系列的目标检测方法是当前目标检测技术领域最主要的一个分支。
边界框回归的魔法：揭秘精准高效的MPDIoU损失函数
m0_47867638的博客
08-25 3194
边界框回归（BBR）已广泛应用于目标检测和实例分割，这是目标定位的重要步骤。然而，现有的大多数边界框回归损失函数在预测框与地面真相框具有相同长宽比但宽度和高度值完全不同的情况下无法优化。为了解决上述问题，我们充分探索了水平矩形的几何特征，并基于最小点距离提出了一种新颖的边界框相似性比较度量MPDIoU，该度量包含了现有损失函数中考虑的所有相关因素，即重叠或非重叠区域、中心点距离以及宽度和高度偏差，同时简化了计算过程。在此基础上，我们提出了基于MPDIoU的边界框回归损失函数LMPDIoUL。
一文搞懂YOLO系列目标检测！万字长文（附YOLOv8实操教程）
最新发布
qq_45591302的博客
06-26 6740
本文介绍目标检测基础概念，算法发展历史，YOLOV8环境配置，数据集标注，模型评估指标，改进策略。
MPDIoU: A Loss for Efficient and Accurate Bounding BoxRegression
生活如此美好，致敬每一个热爱“热爱”的人！
09-05 4943
提出了一种新的基于最小点距离的边界框相似性比较指标MPDIoU，该指标包含了现有损失函数中考虑的所有相关因素，即重叠或不重叠区域、中心点距离、宽度和高度偏差，同时简化了计算过程。在此基础上，我们提出了基于MPDIoU的边界框回归损失函数，称为LMPDIoU。实验结果表明，MPDIoU损失函数应用于最先进的实例分割(如YOLACT)和基于PASCAL VOC、MS COCO和IIIT5k训练的目标检测(如YOLOv7)模型，其性能优于现有的损失函数
R-CNN论文解读/总结 详细笔记
m0_57787115的博客
04-09 4392
此篇为目标检测经典论文 R-CNN系列论文：R-CNN （Rich feature hierarchies for accurate object detection and semantic segmentation）解读/总结详细笔记
R-CNN论文详解（论文翻译）
热门推荐
Cheese的博客
05-08 10万+
faster-rcnn在深度学习领域算是一篇开创性的论文，对后续产生的而网络有很重要的意义，认真读懂这篇论文，相信也算是深度学习入门了 。今天又重新读了读faster-rcnn,整理了一份阅读笔记，整理的过程使自己对整个深度学习又有了更深的理解。果然论文还是应该多读几遍才能理解的。
Object-Detection-and-Bounding-Box-Regression
03-27
具有KERAS，tensorflow和深度学习的多类对象检测和边界框回归我的项目基于使用卷积神经网络和TensorFlow Framework和Kareas API进行对象检测的机器学习技术的开发。 在深度学习中，某些层负责某些识别模式，例如边缘...
Bounding-box_regression详解
08-18
### Bounding-box Regression详解 #### 一、问题理解：为何要做Bounding-box Regression？ 在计算机视觉领域，特别是物体检测任务中，准确地定位目标物体是非常重要的一步。然而，在使用诸如R-CNN系列算法（包括...
58.边框回归(Bounding Box Regression)详解 - 南有乔木NTU的博客 - CSDN博客1
08-03
边框回归(Bounding Box Regression)详解 边框回归是一种常用的目标检测技术，用于微调边框的位置和大小，以提高检测的准确性。其主要思想是学习一个映射关系，使得输入的Proposal窗口经过微调后，与真实窗口更接近...
caffeCN bounding-box regression详细解释 pdf
05-02
caffeCN bounding-box regression详细解释 pdf，http://caffecn.cn/?/question/160。
svg-bounding-box:SVG边框计算器
05-24
通过解析SVG文件的XML结构，`svg-bounding-box`工具可以遍历所有的图形元素，对每个元素进行变换计算，然后合并得到整个SVG文档的边界。 在实际开发中，`svg-bounding-box`可以应用于多个场景。例如，如果你在制作...
bounding box回归.zip
04-17
# bounding box regression， 边框回归 -------------------------- # 第1步： 生成数据集， data_x : 1000*100*100*1， data_y： 1000*4 # 第2步： 定义IOU损失 # 第3步： CNN，边框回归，测试
geojson-bounding-box:有效计算 GeoJSON 的边界框
08-03
入门安装npm install --save geojson-bounding-box例子 const toBBox = require ( 'geojson-bounding-box' ) ;const line = { "type" : "Feature" , "geometry" : { "type" : "LineString" , "coordinates" : [ [ 0 ...
煤矿井下Bounding-Box的二次定位算法研究
07-14
根据煤矿井下人员精确定位系统对实时性和定位精度的要求,提出了基于TOF(time of flight,飞行时间)的Bounding-Box二次定位算法,该算法综合了TOF测距不易受环境干扰和Bounding-Box计算实时性高的优点。利用待定位节点...
R-CNN论文精读（论文翻译）
m0_50127633的博客
08-25 3430
文章目录摘要介绍 摘要 Object detection performance, as measured on the canonical PASCAL VOC dataset, has plateaued in the lastfew years. 在PASCAL VOC数据集上测量的目标检测性能在过去几年已经趋于稳定。 The best-performing methods are complex ensemble systems that typically combine multiple low
R-cnn家族论文
qq_41950533的博客
11-08 3860
《Rich feature hierarchies for accurate object detection and semantic segmentation》阅读笔记 0.基础知识 卷积feature计算 W：表示当前层Feature map的大小。 K：表示kernel的大小。 S：表示Stride的大小。 下一层Feature map的大小 =(W−K)/S+1 1.introduction R-CNN（region with CNN features），即region proposals（候选区
osg::BoundingBox bbox;单位是什么
05-24
`osg::BoundingBox` 是 OpenSceneGraph（OSG）中的一个类，用于表示包围盒。包围盒是指一个三维空间中的立方体，用于包含一个或多个物体。在 OSG 中，包围盒通常用于进行碰撞检测、可见性测试等操作。 在 `osg::BoundingBox` 中，单位取决于你在创建包围盒时使用的坐标系。例如，如果你使用 OSG 默认的右手坐标系，并以米为单位表示场景中的位置，则 `osg::BoundingBox` 中的单位也是米。如果你使用的是其他坐标系或单位，则需要适当地转换。
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值