特徵提取： selective search： 小區域 合併 大區域 ；小框 合併 大框 ；
所有的框 都跑一遍 卷積神經網路 特徵提取 固化 分類，回歸（定位）
慢，開篇之作，低效
問題：時間很長，每個小框都要跑一次神經網路，加上分類器
解決：先進行卷積（共享）
先對整個圖跑一遍神經網路，卷積
再把框對映過來到特徵圖 在進行特徵提取，分類回歸softmax
效果：比r-cnn好很多
r-cnn
fast r_cnn
training time
84h9.5h
speed up
1x8.8x
test time per image
47s0.32s
speedup
1x146x
問題：還是要進行selective search
很費時間
改進：把找框的工作也放到卷積神經網路，region proposal network （rpn）（核心改進），什麼是前景（物體），什麼是背景（不是物體）
如何提取：
生成很多框
可能符合標準，可能不符合，可能比較大，也可能比較小
三種比例，1:1, 2:1, 1：2 （）128:128, 128：256, 256:128） 9個anchors
基數：128,256,512 生成常規框，怎麼變換才能是乙個前景，物體
rpn層：對乙個點進行特徵提取，分類回歸操作，判斷是不是物體，以及bbox location regression
之後 和fastr_cnn相同
r-cnn
fast r-cnn
faster r-cnn
test time per image (with proposals)
50 second
2s0.2s
speed up
1x25x
250x
map(vpc 2007)
66.0
66.9
66.9
準確率相同，但是速度高了很多
三代物體檢測 **最好看一看 直接看faster r-cnn
計算機視覺 物體檢測之RefineDet系列
二階段的分類 二步法的第一步在分類時，正負樣本是極不平衡的，導致分類器訓練比較困難，這也是一步法效果不如二步法的原因之一，也是focal loss的motivation。而第二步在分類時，由於第一步濾掉了絕大部分的負樣本，送給第二步分類的proposal中，正負樣本比例已經比較平衡了，所以第二步分類...
計算機視覺（三）
1 sigmoid函式不再適用的原因 1 在某些情況下梯度會消失，不利於反向傳播，例如，當輸如的值過大或過小時，根據函式的影象，返回的梯度都會是0，阻斷了梯度的反向傳播。2 不是以0為中心，梯度更新低效 拿sigmoid舉例，不是以零為中心，會造成其反向傳播的導數不是正就是負，假設w是乙個二維向量，...
計算機視覺（三） HSV
hsv hue,saturation,value 是根據顏色的直觀特性由a.r.smith在1978年建立的一種顏色空間,也稱六角錐體模型 hexcone model 這個模型中顏色的引數分別是 色調 h 飽和度 s 明度 v 用角度度量，取值範圍為0 360 從紅色開始按逆時針方向計算，紅色為0 ...