目标识别与检测
我就是超级帅
为中华崛起而读书
展开
-
Rethinking Classification and Localization for Object Detection
摘要在基于R-CNN的检测器中,两个头结构(即完全连接的头和卷积头)已广泛用于分类和定位任务。但是对于这个两个任务两个头结果是如何工作的缺乏了解。为了理解该问题,我们进行了透彻的分析,发现一个有趣的事实,即两个头部结构对两个任务的偏好相反。具体而言全连接头(fc-head)更适合分类任务,而卷积头(conv-head)更适合定位任务。此外,我们检查了两个头部的输出特征图,发现fc-head比conv-head具有更高的空间敏感性,因此fc-head具有更强的区分能力来分别完整的对象和对象的一部分,但是对于原创 2020-10-24 16:08:08 · 1012 阅读 · 2 评论 -
YoloV1-V3
1 YoloV11.1 论文思想1.2 网络结构1.3 损失函数通过开根号设计可以使得,小的bbox loss有较大权重,大的bbox有较小的权重。1.4 缺点(1)在一群小的目标聚集在一起的时候,网络的识别效果就非常的差。(2)当目标出现新的尺寸或者配置的时候,网络的预测的效果非常差。(3)主要的错误原因就是定位的不准确, 因为是直接预测目标的坐标信息,而不是像fater-rcnn和ssd预测微参数。2 YoloV22.1 性能根据上图可以看出yoloV2最高的检测精度可原创 2020-09-21 18:03:30 · 262 阅读 · 0 评论