首先是複習了faster r-cnn的檢測流程，主要分為兩個階段
第一階段：
根據預設的anchor(3種不同的scale和size)，傳入cnn提取特徵，使用rpn(二分類，分辨前景和背景，過濾了大量的負樣本(背景))對anchor進行分類，得到候選區域proposal。
第二階段：
對第一階段得到的proposal進行更精細的處理。
使用roipooling摳取每個候選區域的特徵，並將其送到r-cnn(多分類)，目的是對候選區域進行進一步的分類和回歸，得到最終的結果。
其工作refinedet(tpami)是在ssd的基礎上加了三個模組來實現的，在pytorch上的實現較簡單。
其他總結如下：
二階段：
對一階段的每個proposal做的操作，可以對特徵區域進行精準的對齊，因為後面二階段基於分類和回歸的特徵是完完全全屬於那個候選區域的。
roi pooling
roi align
refinedet320是對於320*320的影象進行測試
refinedet320+是多尺度測試
多尺度**能提高幾個點的精度，想知道多尺度測試的模板**是什麼?
pytorch可以使用函式 生成backbone
pytorch先定義網路再操作網路
未來：檢測+知識蒸餾提速
未來可以發力的方向：learning evething:
預處理：anchor的設定
後處理：nms
深度學習物體檢測（七） SSD
yolo 模型每個網格只 乙個物體，容易造成漏檢 對於物體的尺度相對比較敏感，對於尺度變化較大的物體泛化能力較差。針對 yolo 中的不足，提出的 ssd single shot multibox detector 方法同時兼顧了 map 和實時性的要求。對於輸入影象大小為 300 300 在 vo...
深度學習 七十二 ssd物體檢測
def ssd anchor one layer img shape,feat shape,sizes,ratios,step,offset 0.5,dtype np.float32 計算每個default center歸一化後的座標，因為是center，所以要加offset y,x np.mgri...
基於特徵點的物體檢測
本教程是一種用於基於在參考影象和目標影象之間找到點對應關係來檢測特定物件的演算法。儘管尺度變化或平面內旋轉，它仍可以檢測物體。它對於少量的平面外旋轉和遮擋也很穩健。這種物件檢測方法最適用於呈現非重複紋理圖案的物件，這會產生獨特的特徵匹配。對於均勻著色的物件或包含重複圖案的物件，此技術不太適用。請注意...