Please enable JavaScript.

Coggle requires JavaScript to display documents.

Faster R-CNN (:star:Region Proposal Network (:cherry_blossom:具体步骤 (:five…

- - - - rescale特征图的短边=600 pixels
    - - :icecream:如果使用VGG16,会缩小为原来的\( \dfrac{1}{16} \),所以一个点对应原图的16个点
    - - :cherry_blossom:如何生成
        
        :snowflake:定义3种基础大小(\(128^2\), \(256^2\), \(512^2\) pixels),以及3种缩放方式(如1:1, 1:2, 2:1)
        
        :arrow_right:9张图片
    - - :one:分类 => 物体 / 背景 (2k)
      - :two:回归 => x, y, w, h (4k)
    - - :snowflake:通过loss函数里与\( p_i^* \)相乘而做到是否考虑回归loss
      - :question:到底是对anchor box微调还是对predicted box?
    - - :zap:VGG后一般是40*60大小的特征图,每个如果生成9个的话,最后就是2w个左右
        
        :warning:2w多个anchor box最后会筛选出256个anchor box,并保证
        
        筛选方法
        
        :one:越界的框
        
        :two:eval: clip
        
        :one:training: 忽略掉 => 只剩6000框
        
        :two:重复的框
        
        :globe_with_meridians:NMS非极大值抑制
        
        :explode:给anchor box一个score,如果2个anchor box重叠比例大于0.7, 保留object score最大的一个 => 2000 anchor boxes
        
        :three:给所有anchor box的object score进行排序,取top-N(如128);negative samples亦然
    - - :maple_leaf:2种方法
        
        :one:对每一个ground truth的方框,找到IoU最大的候选框,它的label就是1
        
        :two:某个候选框和任意一个ground truth的IoU大于阈值(如0.7),那么label就是1,而小于0.3那么label就是0,介于之间的就忽略
  - - - 用来权衡更重视分类还是回归
      - =10好像就是分类和回归同样重视
    - - <predicted box, anchor box>和<ground-truth box, anchor box>之间的变化因子要相同
  - - - :zap:一个图像就有那么多anchor box