在r-cnn學習的過程中,首先使用到的技巧就是selective search
選擇性搜尋。它的目標是減小滑動窗或者窮舉法帶來的冗餘候選區域,從而減小計算量。
本文參考blog:
選擇性搜尋主要集中解決了以下幾個問題:
事先並不知道內物體的尺寸,如何確定不同大小比例的候選框;
對於影象中存在的特徵,如何利用起來來盡可能多產生有用的候選框來減少冗餘區域。
selective search的採用基於圖的影象分割的方法得到小尺度的區域,然後根據相似程度通過合併得到大的尺寸。這樣由小到大的過程中,通過利用的特徵來進行合併,從而產生一系列大小不一的框。
根據這些特徵,對於不同的區域進行相似度計算。相似度為四種相似度的和:
輸入: 一張
輸出:候選的目標位置集合l
演算法:
1: 利用切分方法得到候選的區域集合r =
2: 初始化相似集合s = ϕ
3:for each 遍歷鄰居區域對(ri,rj) do
4: 計算相似度s(ri,rj)
5: s = s ∪ s(ri,rj)6:
while s not
=ϕ do
7: 從s中得到最大的相似度s(ri,rj)
=max
(s)8
: 合併對應的區域rt = ri ∪ rj
9: 移除ri對應的所有相似度:s = s\s(ri,r*)10
: 移除rj對應的所有相似度:s = s\s(r*
,rj)
11: 計算rt對應的相似度集合st
12: s = s ∪ st
13: r = r ∪ rt
14: l = r中所有區域對應的邊框
目標檢測中的example mining
目標檢測,一般分為2個部分,定位和分類,example mining是選擇出特定樣本來計算損失函式 從實際問題出發hard example應該就是指定位較困難或分類較困難或者兩者都困難的候選框。ssd的caffe中支援negative mining和hard example mining,當shar...
目標檢測中region proposal的作用
首先我們明確乙個定義,當前主流的object detection框架分為1 stage和2 stage,而2 stage多出來的這個stage就是regional proposal過程,明確這一點後,我們繼續講。regional proposal的輸出到底是什麼?我們首先看一下以faster r c...
目標檢測中的Anchor
前言 在計算機視覺四大基本任務 檢測 分類 定位 分割 中,影象的目標檢測受到的了研究者們越來越多的關注。今天我們就來聊一聊在目標檢測中一項重要的機制 anchor。anchor機制在凱明大神提出的faster rcnn 2015年提出 時興起。下面將從三方面來敘述anchor.目錄1.什麼是anc...