《动手学YOLO:技术原理与项目实战》的读者笔记

共 51 条公开笔记

返回图书
YOLO格式标注的类别及边界框信息
wang vanswang vans 8小时前
YOLOv1的损失函数
wang vanswang vans 8小时前
将具有高置信度得分(大于0.25)的结果作为最终预测
wang vanswang vans 9小时前
步长常用的取值有1×1和2×2。
wang vanswang vans 9小时前
边缘填充主要有两种方式:0填充和复制边缘像素。
wang vanswang vans 9小时前
一个卷积层中可以包含多个不同的卷积核,每个卷积核都对应一个特征图。
wang vanswang vans 9小时前
步长越大,得到的特征图尺寸越小
wang vanswang vans 9小时前
样本标记空间
wang vanswang vans 9小时前
边界框置信度是对是否含有目标的表征,边界框类别置信度是对含有的目标类别的表征。
wang vanswang vans 9小时前
边界框的中心坐标一定在该网格内部,因此中部和右侧圆点的横坐标、纵坐标都可以归一化到[0,1]之间
wang vanswang vans 10小时前
置信度反映了模型对于这个网格的预测,即该网格是否含有物体,以及这个边界框的坐标预测的正确性
wang vanswang vans 10小时前
中心落在该网格
wang vanswang vans 10小时前
对小目标和遮挡目标的检测性能
wang vanswang vans 10小时前
RPN通过在全卷积网络的最后一层特征图上滑动一个小窗口,生成一系列锚点(Anchor),并为每个锚点进行前景/背景二分类以及边界框回归,从而得到精确的候选区域

图中用虚线框框起来的整体部分(下方标注有“区域建议网络”)就是 RPN (Region Proposal Network)。
为什么是这部分?
您的描述与图中虚线框内的模块完全对应:
在特征图上滑动:
虚线框内的起始输入是“卷积层”。这正是CNN提取出的最后一层特征图,RPN正是基于这层特征图进行操作的。
生成锚点 (Anchor):
图中明确标出了“锚框”模块。这是RPN的基础,用于在特征图的不...

wang vanswang vans 1天前
特征图块
wang vanswang vans 1天前
λ是一个平衡因子,用于调整分类损失和边界框回归损失之间的相对重要性
wang vanswang vans 1天前
梯度路径规划
wang vanswang vans 1天前
提高特征的表示能力和鲁棒性
wang vanswang vans 1天前
无锚点的检测器
wang vanswang vans 1天前
分类和回归的全连接层
wang vanswang vans 1天前
增强特征图的语义信息和空间分辨率
wang vanswang vans 1天前
增强了对不同尺度目标的检测能力
wang vanswang vans 1天前
正样本是与真实边界框的IoU大于0.7的候选区域,负样本是与真实边界框的IoU小于0.3的候选区域
wang vanswang vans 1天前
预训练、微调、SVM分类器训练和边界框回归器训练
wang vanswang vans 1天前
1231 / 3