input 慢在串行输入
原图中均分为多个网格, 每个网格, 生成不同尺寸和比例的anchor 。
生成的anchor 送入 RPN 网络 , 用于前景和背景的二分类回归, 对anchor 执行一个 置信度排序, 筛选掉一部分 。
筛选后的anchor 送入网络 , 继续进行 回归和 置信度 。
回归分支的作用??
框是怎么产生的呢?
loss ?
原图映射到 feature map
RoI Pooling 映射到feature
Mask RCNN 出来了
RoI Align ????
ROI 是啥???
平分成14 *14 的区域, 后, 每个区域的采样点是怎么得到的, 再进行 双线性插值 得到的。
NMS 非极大值抑制, 检测里面有很多个目标 。
在目标跟踪只关注一个目标。
SiamRPN
k 就是每一个点的 anchor .
每一个框对应的前景和背景的得分。
上一个预测值 和这一个预测值, 尺度变化不是很大。
score 每个框的 得分
SiamRPN
17* 17 的框。
裁剪。
x 的第三个维度
为了简化计算
特征图裁剪的是在过程中的哪个部分?
问答
17*17 中的一个点, 对应原图中的 。 均匀分配
不是和GT比, 训练时候 和原图gt 比较。
间接和 anchor 做比较。
一开始是 , anchor , 预定义的, 网络修正每个框 的修正量, 修正之后再和 数据集中的GT比较
loss ,
不是很懂这个 Loss
ROI align 是RPN 是mask RCNN 里面加的部分
RPN 和 ROI Align
有一个候选区域的过程。 是一个独立的部分。
ATOM 里面有 Polling
马丁里面用到了 RoI 的操作
在孪生网络里面, 把RPN 进行改进的方法, 近几年 , anchor free 的方法。
不用预测锚点框, 直接产生候选框。
RPN 是 anchor-base 的。
有 anchor , 预定义了一些框, RPN 修正。
anchor - free , 没有预定义,但给产生一些框。
RPN 修正的论文和方法: OceanNet 对RPN 进行了修正的论文。
如果特征没对齐, 对框进行校正。
RPN 有误差, 如果第二frame 没对齐,会影响到 后续frame
用 回归分支 修正 分类分支 的anchor ,