共 58 条公开笔记
提高特征的表示能力和鲁棒性
无锚点的检测器
分类和回归的全连接层
增强特征图的语义信息和空间分辨率
增强了对不同尺度目标的检测能力
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
预训练、微调、SVM分类器训练和边界框回归器训练
实时目标检测设计的神经网络架构
兴趣区域池化层
RoI池化层是一种特殊的池化层，可以将不同大小的输入映射到固定大小的输出
精确定位目标
基本纹理、颜色等低级信息
每个RoI将被划分为7×7个子区域
对小目标检测效果
位置量化问题
RoI池化层能够将不同大小的候选区域映射为固定大小的特征向量，从而适应全连接层的要求
较大的特征图感受野较小，适合检测相对较小的物体，而较小的特征图感受野较大，适合检测相对较大的物体。
融合不同尺度的特征图
选择性搜索（Selective Search, SS）生成候选区域和CNN提取特征
模型在不同召回率下的平均精度
交并比是指两个边界框的交集面积与并集面积的比值
前向传播提取固定长度的特征向量
负样本被错误检测为正样本
正样本未被检测出来
