圖 像 處 理 三 大 任 務 ：物 體 識 別、目 標 檢 測、圖 像 分 割
基於深層伸進網路的目標檢測的兩種分類：
單階段網路的準確度不如雙階段網路的原因（訓練中的不均衡）
雙階段網路如何解決訓練中的不均均衡問題？
常見的評價指標
pr曲線（pr curve）
iou指標（）
訓練好的目標檢測模型會給出大量的** 結果，但是其中大多數的**值都會有非 常低的置信度（confidence score），因 此我們只考慮那些置信度高於某個閾值的 **結果。 將原始送入訓練好的模型，在經過置 信度閾值篩選之後，目標檢測演算法給出帶 有邊界框的**結果
目標檢測中的pr
map的計算方式
通過pr曲線，我們可以得到對應的ap值：
在2023年以前，pascal voc競賽中ap是這麼定義的：
首先要對模型**結果進行排序（ranked output，按照各個**值置信度降序排列。
我們把recall的值從0到1劃分為11份：0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0。
在每個recall區間（0-0.1, 0.1-0.2，0.2-0.3，…，0.9-1.0）上我們計算精確率的最大值，然後再計算 這些精確率最大值的總和並平均，就是ap值。
從2023年之後，pascal voc競賽把這11份recall點換成了pr曲線中的所有recall資料點。 對於某個recall值r，precision值取所有recall>=r中的最大值（這樣保證了p-r曲線是單調遞 減的，避免曲線出現搖擺）這種方法叫做all-points-interpolation。這個ap值也就是pr曲 線下的面積值
c o c o 中 m a p 的 計 算 方 法 ：
採 用 的 是 i o u （ 用 於 決 定 是 否 為 t p ） 在 [ 0 . 5 : 0 . 0 5 : 0 . 9 5 ] 計 算 1 0 次 a p ， 然 後 求 均 值 的 方 法 計 算 a p
非極大值一致（nms）
n具m體s的算實法現一思般路是如為下了：去掉模型**後的多餘框，其一般設有乙個nms_threshold=0.5，
選取這類box中scores最大的哪乙個，記為box_best，並保留它
計算box_best與其餘的box的iou
如果其iou>0.5了，那麼就捨棄這個box（由於可能這兩個box表示同一目標，所以保 留分數高的哪乙個）
從最後剩餘的boxes中，再找出最大scores的哪乙個，如此迴圈往復
深度學習 目標檢測理論筆記
主要內容來自於對 專知深度學習 高君宇 教學資料的梳理筆記 和 來自網際網路知識的輔助理解，感謝。目標檢測就是在一張中找到所有的物體並且給出其類別和邊框 bounding box 如圖。早期的目標檢測有很多模型，典型的有基於部件的模型 dpm pedro f在2010年提出來的利用hog對多精度下的...
深度學習目標檢測
流程狂徒如下 1 使用selective search提取proposes，然後利用cnn等識別技術進行分類。2 使用識別庫進行預訓練，而後用檢測庫調優引數。3 使用svm代替了cnn網路中最後的softmax，同時用cnn輸出的4096維向量進行bounding box回歸。4 流程前兩個步驟 候...
深度學習（六） 目標檢測
多個目標 思路 區域性識別問題 優點生成候選位置 擴充套件 過程 優點 缺點 候選位置提醋和方法 候選框進行svm分類 fine tune分類模型 特徵提取 單獨目標探測器訓練 資料集 評估方法 iou 優點 缺點 特徵一致化max pooling 位置 類別 聯合學習 速度快了精度提公升不多 怎麼...