随笔分类 -  目标检测系列

分类指标小结
摘要：有很多分类指标，在分类任务，检测任务，和图像分割任务都有不同的评价指标，每个指标都有各自的优点，常常是用多个指标来衡量一个模型。现在对分类和检测任务的指标做一个小结。 1.分类任务 对于分类任务，有这样一个表： 1.1 Accuray 它指正确预测样本数占总数的多少 即，TP + TN / TP + 阅读全文
posted @ 2022-04-09 21:57 Dr_Zhou 阅读(150) 评论(0) 推荐(0)
YOLO V2小结
摘要：1. 背景 YOLOv2相对于v1版本，继续保持了很高的处理速度，但是在预测的准确率上有个很高的提高，但是其基本思想还是和v1版本是一致的，通过划分网格，以及使用简单的网络结构来处理分类问题。 由于YOLO系列，都是从V1开始逐步进行一些缺点的改进，故后面将只叙述改进部分的细节。 2.具体改进措施 阅读全文
posted @ 2022-03-24 22:38 Dr_Zhou 阅读(164) 评论(0) 推荐(0)
YOLO V1小结
摘要：1. 从Two-Stage到One-Stage 以发展的眼光看待问题，回顾two stage算法，为什么一定要先产生proposal，再做回归呢，为什么不可以直接找出目标而后标注呢？ 2.YOLO V1细节 YOLO网络结构由24个卷积层与2个全连接层构成，网络入口为448x448，图片进入网络先经 阅读全文
posted @ 2022-03-18 14:57 Dr_Zhou 阅读(81) 评论(0) 推荐(0)
Faster R-CNN小结
摘要：1. 从Fast R-CNN到Fast R-CNN 由图可见，Faster-RCNN引入了RPN网络（region proposal network）来代替selective-search， 这使得整个网络实现了端到端，即在统一的架构处理所有问题。这也是比Fast更快的原因，避免了selective 阅读全文
posted @ 2022-03-18 12:24 Dr_Zhou 阅读(108) 评论(0) 推荐(0)
FAST R-CNN小结
摘要：FAST RCNN与RCNN关系密切，它主要有一下方面改进： 1，Fast-RCNN将特征提取器、分类器、回归器合在了一起，都用CNN实现。 2，Fast-RCNN对整张图片进行特征提取，再根据候选区域在原图中的位置挑选特征。针对特征数目不同的问题，Fast-RCNN加入了ROI层，使得经过ROI层 阅读全文
posted @ 2022-03-17 19:38 Dr_Zhou 阅读(110) 评论(0) 推荐(0)
R-CNN小结
摘要：1.背景 物体检测（object detection）是计算机视觉非常重要的一个领域。RCNN作为该领域的开山鼻祖，在深度学习出现之前，传统方法始终无法处理好物体检测问题（会通过非常庞大的计算，来算出结果），在深度学习方法引入之后，物体检测领域就有了改变。最著名的是RCNN系列，另外还有YOLO、S 阅读全文
posted @ 2022-03-17 14:54 Dr_Zhou 阅读(223) 评论(0) 推荐(0)