目标检测
目标检测
且听风吟hjc
在学,在看,会有错
展开
-
Faster RCNN源码解析
更新中。。。原创 2023-12-01 11:31:54 · 348 阅读 · 1 评论 -
目标检测中常见指标
Precision:TP/(TP+FP)模型预测的所有目标中,预测正确的比例 (查准率)Recall: TP/(TP+FN)所有真实目标中,模型预测正确的目标比例 (查全率)mAP: mean Average Precision, 即各类别AP的平均值。TP: IoU>0.5的检测框数量(同一Ground Truth只计算一次)FP: IoU<=0.5的检测框(或者是检测到同一个GT的多余检测框的数量)P-R曲线: Precision-Recall曲线。FN: 没有检测到GT的数量。原创 2023-11-29 19:26:56 · 408 阅读 · 1 评论 -
目标检测前言
1)通过专门模块去生成候选框(RPN),寻找前景以及调整边界框(基于anchors)2)基于之前生成的候选框进行进一步分类以及调整边界框(基于proposals)基于anchors直接进行分类以及调整边界框。例如Faster-RCNN。例如 SSD、YOLO。原创 2023-11-29 19:41:48 · 384 阅读 · 1 评论 -
Faster RCNN
将2000✖4096维特征与20个SVM组成的权值矩阵4096✖20相乘,获得2000✖20的概率矩阵,每一行代表一个建议框归于每个目标类别的概率。对于非常深的网络,如VGG16,从VOCO7训练集上的5k图像上提取的特征需要数百GB的存储空间。利用Selecive Search算法通过图像分割的方法得到一些原始区域,然后使用一些合并策略将这些区域合并,得到一个层次化的区域结构,而这些结构就包含着可能需要的物体。2)将图像输入网络得到相应的特征图,将SS算法生成的候选框投影到特征图上获得相应的特征矩阵。原创 2023-11-30 20:05:16 · 890 阅读 · 0 评论