目標檢測物體的候選框是如何產生的？
如今深度學習火熱的今天，rcnn/spp-net/fast-rcnn等文章都會談及bounding boxes(候選邊界框)的生成與篩選策略。那麼候選框是如何產生，又是如何進行篩選的呢？其實物體候選框獲取當前主要使用影象分割與區域生長技術。區域生長(合併)主要由於檢測影象中存在的物體具有區域性區域相似性(顏色、紋理等)。目標識別與影象分割技術的發展進一步推動有效提取影象中資訊。滑窗法作為一種經典的物體檢測方法，個人認為不同大小的視窗在影象上進行滑動時候，進行卷積運算後的結果與已經訓練好的分類器判別存在物體的概率。選擇性搜尋(selective search)是主要運用影象分割技術來進行物體檢測。
—————————— 滑窗法(sliding window) ——————————
首先來看一下滑窗法的物體檢測流程圖：
(分類器是事先訓練好的)。如果當前視窗得到較高的分類概率，則認為檢測到了物體。對每個不同視窗大小的滑窗都進行檢測後，會得到不同視窗檢測到的物體標記，這些視窗大小會存在重複較
目標檢測之SSD
ssd single shot multibox detector 翻譯 詳解 圖1 圖2 演算法步驟 1 輸入一幅 300x300 將其輸入到預訓練好的分類網路中來獲得不同大小的特徵對映，修改了傳統的vgg16網路 2 抽取conv4 3 conv7 conv8 2 conv9 2 conv10 ...
目標檢測之 IoU
iou 作為目標檢測演算法效能 map 計算的乙個非常重要的函式 但縱觀 iou 計算的介紹知識，都是直接給出 給出計算方法，沒有人徹底地分析過其中的邏輯，故本人書寫該篇部落格來介紹下其中的邏輯。iou 的全稱為交並比 intersection over union 通過這個名稱我們大概可以猜到 i...
目標檢測之IoU
iou 交並比 是目標檢測中乙個常用的概念，通常用來衡量候選框 candidate 與真實標記框 ground truth 之間的交疊程度。定義兩個集合a和b，兩者的iou為兩者的交與兩者的並的比值，即 iou 例如圖中有兩個有重疊部分的矩形 乙個是藍色矩形a，另乙個是綠色矩形b，交疊部分用橙色表示...