(1)对于每张图片,利用它的feature map, 计算 (H/16)× (W/16)×9(大概20000)个anchor属于前景的概率,以及对应的位置参数。(这里的W、H表示原始图像的宽和高,前面已经有说过了) (2)选取概率较大的12000个anchor,利用回归的位置参数,修正这12000个anchor的位置,得到RoIs,利用非极大值((Non-maximum suppression...
接下来,每个 proposal 我们只输出6个参数:每个 proposal 和 ground truth 进行比较,把与ground truth 中重叠最大的 bounding box 的iou当成是这个proposal的iou,iou>0.7, 认为这个proposal是positive;iou<0.3, 认为这proposal是negative,我们希望positive的proposal包含前景的概率高一些,negative包含背景的概率高一些;iou...
MultiBox拥有(4+1) \times 800的全连接输出,而我们的方法在k=9的情况下,输出为(4+2) \times 9维。最终,我们的输出层含有2.8 \times 10^4参数量(VGG有512 \times (4+2) \times 9),两者均比MultiBox少。如果加上特征投影层,参数量依然小于MultiBox。我们期望我们的方法在小型数据集,比如VOC上,过拟合...
若此时的w\in R^{m \times n},当此时的Rank值q取一个小值时,U\in R^{m\times q},\Sigma\in R^{q\times q}, V\in R^{n\times q},参数量由m\times n变为q+q\times (m+n),可以显著减小参数量。
一共需要优化出四个权重参数矩阵W,分别表示Wx,Wy,Ww,Wh。 训练好了之后就可以根据基础先验框来预测偏移量了。 “交并比”计算GroundTruth和先验框的差距 两个框之间的重叠程度可以使用“交并比”来衡量。 IoU = 交集 / 并集 交集求解 现在已知两个框的左下坐标和右上坐标,关键在于求出相交区域的面积,首先要求得...
将候选框与R-CNN的ground truth(也就是标注框)计算iou,大于0.5的作为正样本,其余的为负样本。预设R-CNN部分参与选了的样本总数为512个,为了平衡正负样本,先从上述的正样本中选出最多512 * 0.25 = 128个,剩下的为负样本的个数,即尽量控制参与训练的正负样本数为1:3。
(1)network参数 该参数定义了预训练模型网络,源码中默认使用了vgg16模型,我们使用vgg16就不需修改,如果在上一步中使用其他模型就要修改。 (2)learning_rate 这个参数是学习率,如果设定太大就可能产生振荡,如果设定太小就会使收敛速度很慢。所以我们可以先默认为源码的0.001进行实验,后期再取0.01或0.0001等多次实验,...
分类号:TP391.4单位代码:10058 论文题目:基于FasterR-CNN的花纹检测及参数测量方法研究学科专业:信息与通信工程作者姓名:*** 指导教师:** 完成日期:2019年12月 分类号:TP391.4密级单位代码:10058 天津工业大学硕士学位论文基于FasterR-CNN的花纹检测及参数测量方法研究(申请硕士学位)专业:信息与通信工程研究生:孟庆磊...
分类号:UDC:密级:编号:f专业硕士学位论文工程硕士改进的FasterR.CNN在目标参数测量方面的研究与应用硕士研究生指导教师企业导师工程领域论文主审人:王婷婷:苍岩讲师:齐延明高级工程师:电子与通信工程:陈春雨哈尔滨工程大学018年6月万方数据