参考
1.レビュー
-
時間:2019年5月
著者:ミシガン&ノーザン・カールトン大学&ディディ&トラベルの大学
-
日付:2019年7月
著者:電子科学技術西安大学
-
日付:2019年8月
著者:シンガポール経営大学&Salesforceの
-
時間:2019年9月
著者:中東工科大学
要約の小さな目標を検出する目標検出方法
-
そして、伝統的なマルチスケール画像は、ウィンドウ検出器をスライドピラミッド
-
シンプルで原油と信頼性の高いデータを増強
-
機能融合FPN
-
適切なトレーニング方法SNIP、SNIPER、SAN
-
アンカーは、より緻密でマッチング戦略S3FD、FaceBoxedを採用します
-
再検査への氏のズーム機能
一段階法
[ECCV2016] SSD:シングルショットマルチボックス検出器[論文]
2段法
(NIPS 2015)より高速なR-CNN:リージョン提案ネットワークでリアルタイムに向けて物体検出[紙] [pytorch]
模型训练 [ref]
- 使用预训练模型初始化共享卷积层并训练RPN
- 使用上一步得到的RPN参数生成ROI proposal,再使用预训练的模型初始化共享卷积层,训练Fast RCNN部分(分类器和ROI边框修订)
- 将训练后的共享卷积层参数固定,同时将Fast RCNN的参数固定,训练RPN。(从这一步开始,共享卷积层的参数真正被两大块卷积网络共享)
- 同样将共享卷积层参数固定,并将RPN的参数固定,训练Fast R-CNN部分。
模型测试
- 首先通过RPN生成约20000(pixels*9)个anchor
- 对20000个anchor进行第一次边框修正,得到修订边框后的Proposal
- 对超过图像边界的proposal的边进行clip,使得该proposal不超过图像范围
- 忽略掉长或者宽太小的proposal
- 将所有proposal按照前景分数从高到低排序,选取前6000个proposal
- 使用阈值为0.7的NMS算法排除掉重叠的proposal
- 针对上一步剩下的proposal,选取前300个proposal进行分类和二次边框修正
Multi-Stage Methods
(CVPR 2019)Hybrid Task Cascade for Instance Segmentation [paper] [mmdetection]
(CVPR2018) Cascade R-CNN: Delving Into High Quality Object Detection[paper]
図(A)高速RCNNである。
図(b)は座標バウンディングボックスに前回の検出モデル回帰次の反復BBOXリターンであるバウンディングボックス検出モデルに初期化し、この反復は結果を取得した後に、戻るために継続され、
図©積分損失でありますショーはバウンディングボックスの出力は、バウンディングボックスに予測が高い場合IOU、ので、非常に正確な、テイク異なるIOU閾値で区切られたが、いくつかの有用なバウンディングボックスを失い、
図(d)は、カスケードRCNNあるBであり、c 2アイデアの組み合わせインチ