Faster R-CNN
 目标检测的复杂性由如下两个因素引起, 1. 大量的候选框需要处理, 2. 这些候选框的定位是很粗糙的, 必须被微调 Faster R-CNN 网络将提出候选框的网络(RPN)和检测网络(Fast R-CNN)融合到一个网络架构中, 从而很优雅的处理上面的两个问题, 即候选框的提出和候选框 ...
原文：Focal Loss和OHEM如何应用到Faster R-CNN
转发：https: blog.csdn.net WYXHAHAHA article details 在物体检测问题中，主要分为两类检测器模型：one stage detector SSD,YOLO系列，retinanet 和two stage detector faster RCNN系列及其改进模型 ，然而无论是一个阶段的检测器还是两个阶段的检测器，都使用到了anchor机制，即在特征图上密集地画 ...
2019-08-02 20:53 0 1531 推荐指数：
相关推荐
focal loss和ohem
公式推导：https://github.com/zimenglan-sysu-512/paper-note/blob/master/focal_loss.pdf 使用的代码：https://github.com/zimenglan-sysu-512/Focal-Loss ...
Focal Loss(RetinaNet) 与 OHEM
Focal Loss for Dense Object Detection-RetinaNet YOLO和SSD可以算one-stage算法里的佼佼者，加上R-CNN系列算法，这几种算法可以说是目标检测领域非常经典的算法了。这几种算法在提出之后经过数次改进，都得到了很高的精确度 ...
Faster R-CNN(RPN)
最先进的目标检测网络依赖于区域生成算法来假设目标位置。先前的SPPnet和Fast R-CNN都已经减少了检测网络的运行时间，但也暴露出区域建议计算是个瓶颈。这篇文章，引出一个区域生成网络（RPN）和检测网络共享全图的卷积特征，因此使得区域建议几乎没有任何开销。RPN是一个在每一个位置同时预测 ...
Faster R-CNN教程
Faster R-CNN教程 最后更新日期：2016年4月29日 本教程主要基于python版本的faster R-CNN，因为python layer的使用，这个版本会比matlab的版本速度慢10%，但是准确率应该是差不多的。 目前已经实现的有两种方式： Alternative ...
学习Faster R-CNN代码rpn（六）
代码文件结构 bbox_transform.py # bounding box变换。 generate_anchors.py # 生成anchor，根据几种尺度和比例生成的anchor。 proposal_layer.py # 通过将估计的边界框变换应用于一组常规框 ...
学习Faster R-CNN代码nms（七）
非极大值抑制(Non-Maximum Suppression NMS) NMS就是去除冗余的检测框,保留最好的一个。 产生proposal后使用分类网络给出每个框的每类置信度,使用回归网络修正位置,最终应用NMS. 对于Bounding Box的列表B及其对应的置信度S ...
Faster R-CNN CPU环境搭建
操作系统： Python版本： pip版本： 环境变量情况： ~/.bashrc内容，可以看到所有和PATH以及LD_LIBRARY_PAT ...