Java教程

目标检测算法基础——04Two-stage核心组件

本文主要是介绍目标检测算法基础——04Two-stage核心组件,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

 
参考视频教程:  
 **深度学习之目标检测常用算法原理+实践精讲  **
Two-stage核心组件

一、Two-stage的两个核心组件

  • CNN网络(主干网络)
  • RPN网络

二、CNN网络设计原则

  • 从简到繁再到简的卷积神经网络
  • 多尺度特征融合的网络
  • 更轻量级的CNN网络

三、RPN网络

在这里插入图片描述

  • 区域推荐(Anchor机制)
  • ROI Pooling
  • 分类和回归

区域推荐(Anchor机制)
在这里插入图片描述
假设当前的feature map的大小为[n, c, w, h],选择当前w*h大小的feature map上的每个点来作为一个锚点,也就是候选区域的中心点(称之为anchor),以每一个中心点来提取候选区域,候选区域通常会按照一定的比例去提取,对于Fast RCNN,有9个不同的尺度去提取,而对于整个w*h大小的feature map,我们会提取w*h*9个候选区域,然后通过真值对候选区域进行筛选,通过IOU来筛选候选区域,得到正样本(包含目标对象的区域)和负样本(不包含目标对象的区域),也就是如果真值和候选区域的重叠面积超过了0.7则为正样本,小于0.3为负样本,这里的0.7和0.3都是超参,可自行设定

ROI Pooling

  • 输入:特征图、rois(1x5x1x1)以及ROI参数
  • 输出:固定尺寸的feature map
这篇关于目标检测算法基础——04Two-stage核心组件的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!