RCNN中的bounding box regression详解
来源:互联网 发布:上帝不会掷骰子 知乎 编辑:程序博客网 时间:2024/06/05 15:37
总结下上面大神所陈述的内容:
1.关于 公式1~4是怎么来的,从原paper来看,作者是引入了scale-invariant translation 分别对于x和y,即对于xy坐标引入同一个scale,加上作者在他的另一篇论文Rich feature hierarchies for accurate object detection and semantic segmentation 中阐述的“ proposal region不能和ground truth相差太远”(两者iou>0.6)如果相差太远是无法得到boundingbox regression的,所以在公式1~2中相当于将dx和dy regularize 在一定的数值范围内,即dx = (Gx-Px)/Pw 这里Gx是近似groundtruth 的 predicted 值。
同理对于dw和dh,作者引入log-space translation, 也是将(Gw,Pw)这对差距规划入一个小的范围内,即 dw = log(Gw/Pw)。所以在最终的loss function中就相当于平均分配了xy 和wh的loss比例,不会因为wh的loss过大忽略了xy的loss,反之亦然。
2. 训练该regression 输入为((G, P)一组训练example) + (CNN pool5的feature 即 lossfunction中的 SITA(P), 为了得到 parameter w* 。 其中(G,P) pair用来求出 t* 。lossfunction 第一部分为数据loss 第二部分为正则化。
测试阶段 输入为CNN pool5提取出的feature SITA(P), 通过线性模型 w* 乘以 SITA(P)就得出 dx,dy,dw,dh,这四个值有了就有了新的 bounding box
- RCNN中的bounding box regression详解
- Bounding box regression详解
- Bounding box regression详解
- Bounding box regression详解
- Bounding box Regression详解
- Bounding box regression详解
- Bounding box regression详解
- RCNN:Bounding-Box(BB)regression
- 人脸检测中的bounding box regression详解
- 边框回归(Bounding Box Regression)详解
- RCNN中bounding box regression理解(13)---《深度学习》
- 关于RCNN中Bounding-box regression的个人理解
- 目标检测算法中的bounding box regression
- Bounding-box Regression
- Single Bounding Box Regression
- bounding box regression
- Bounding-box Regression
- bounding-box regression
- materialize基于Material Design的现代响应式前端框架
- Centos6.5使用yum安装mysql
- linux公社 资料 和QT学习资料
- CocoaPods安装及使用详解
- React.js 官方文档摘记:表单
- RCNN中的bounding box regression详解
- java jdbc简单的 curd
- lvs、haproxy、nginx 负载均衡的比较分析
- mac下编译protobuf c++
- 几维安全分析“Xavier”安卓木马:可静默收集数据并远程代码执行
- Spring mvc 源码解析之初始化
- 安卓自定义日历选择器
- Nginx、LVS及HAProxy负载均衡软件的优缺点详解
- selenium IDE 测试示例