fcos problemas de aprendizaje
Cada píxel BoundingBox una, un punto de predicción predicho para cada caja del objeto con respecto a la longitud de cuatro,
resultado BoundingBox se puede asignar a la gama positivo
. Mencionado l, t, r, b son positivos, el cuadro delimitador del valor de retorno de los últimos cuatro más una exp (Si * x), a fin de garantizar que el resultado final puede ser mapeada a la gama positivo
Centro-dad está haciendo qué?
Papel mencionó que el descubrimiento de algún momento durante el experimento de distancia del centro del cuadro delimitador, la caja es de muy baja calidad se predijo, los resultados tienen una gran cantidad de interferencias, centro-dad se utiliza para filtrar estos puntos: Cada vuelta punto un valor, pero también para asegurar que este valor es más distante del centro de la caja más pequeña, mayor es el más cercano al centro y, a continuación, se le ocurrió tal fórmula:
Claramente, el caso extremo, si un cierto punto en la caja de límite, entonces centerness es 0; si sólo el cuadro de centro, el valor es 1. centerness valor entre 0-1. Cuando se prueba, el autor categoría centerness puntuación se multiplica como una nueva puntuación, reduciendo así la fracción de distancia desde el punto central de la ubicación, en la etapa NMS será una alta probabilidad de que filtran.
¿Qué significa self.fpn_strides
loss.py, el objetivo de rentabilidad cuando el entrenamiento se divide por el tamaño del paso FPN, y por lo tanto hay que tomar las medidas nivel apropiado en el momento de la prueba, para obtener Bbox posición real. En lo personal, creo que esto es reducir el objetivo, por lo que es más fácil para el entrenamiento de la red. Parte experimental de los espectáculos también tesis de que este truco puede aportar alguna mejora.