两步走的目标检测:先进行区域推荐,而后进行目标分类 代表:R-CNN、SPP-net、Fast R-CNN、Faster R-CNN 端到端的目标检测:采用一个网络一步到位 代表:YOLO、SSD 2.2 目标检测的任务 2.2.1 分类原理 先来回顾下分类的原理,这是一个常见的CNN组成图,输入一张图片,经过其中卷积、激活、池化相关层,最后加入全连接...
因此仅使用分类算法来实现目标检测效果也不好。🌵🌵🌵 既然单独使用分类和回归都不能很好的完成目标检测任务,我们应很自然的想到能否可以将二者结合使用从而达到更好的效果呢?答案是肯定的,在目标检测算法中,基本都采用了这种多任务的方式,即既采用分类又采用了回归。这里说说大体的思路,以RCNN为列,分类...
今天要讲的这篇文章则从空间维度上来解耦目标检测中的分类和回归任务,文中观察到分类和回归存在空间维度上的misalignment(如图4),这也就是我前面提到的两个本质上不同的任务在特征学习时所关注的点是不一样的,某些显著区域的特征可能具有丰富的分类信息,而边界附近的特征更有利于位置回归。其实还有个方式来解释,就是...
回归损失 首先放一下计算回归损失时用到的一些公式,见图1。 图1 下面说明一下公式中的变量,其中类似的x和y代表中心横纵坐标,w和h代表框的宽和高,运算中的除法和log()运算可以理解为一种提高回归效果的手段。 (x, y, w, h)是网络的预测框的中心横纵坐标,宽高,就是网络检测后的输出图片图片中出现的框就...