摘要：
RCNN对每个候选框都提取了特征，而且对于有重复区域的候选框们，这部分重复的区域相当于不断重复提取了特征，很麻烦。所以能不能只提取一次特征呢？也就是只卷积一次。 R-CNN对候选框尺寸进行了wrap， 全都改为227x227，改变尺寸势必会影响到检测效果，所以能不能不改变尺寸？ 因此SPP提出的更新 阅读全文
摘要：
可以不进行特定样本下的微调吗？可以直接采用AlexNet CNN网络的特征进行SVM训练吗？ 不针对特定任务进行微调，而将CNN当成特征提取器，pool5层得到的特征是基础特征，类似于HOG、SIFT，类似于只学习到了人脸共性特征；从fc6和fc7等全连接层中所学习到的特征是针对特征任务特定样本的特 阅读全文
摘要：
测试过程： 训练过程（不连续）： 1、测试 1、建议框归一化方法 经过作者一系列实验表明采用padding=16的各向异性变形即下图第二行第三列效果最好，能使mAP提升3-5%。 2、CNN（alexnet）提取特征 AlexNet不用最后的全连接层，提取出1*1*4096维的特征向量。 3、训练分 阅读全文
摘要：
目的是为了减少重叠框，例如： 同一个车辆目标会被多个建议框包围，这时需要非极大值抑制操作去除得分较低的候选框以减少重叠框。 实现： 将目标所有候选框根据得分从高到低进行排序，从最大得分的建议框开始，分别与后面的得分建议框进行IoU计算，若IoU>阈值，则剔除得分较小的建议框，否则认为图像中存在多个同 阅读全文
摘要：
ImageNet有22K种共15M张高分辨率带标签图像，图像全被收集于网络，人工标记。 PASCAL VOC数据库 http://host.robots.ox.ac.uk/pascal/VOC/ 20类物体，简单，PASCAL VOC包括物体的类别标签和位置标签，一万图像，20类。 coco数据库 阅读全文
摘要：
交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。一般大于0.5就算成功了。 阅读全文
摘要：
如我们有一个分类任务，数据库很小，这时还是需要通过预训练来避免深度模型的过拟合问题的，只不过预训练是通过在一个大的数据库上（比如imagenet），通过有监督的训练来完成的。这种有监督预训练加小的数据库上微调的模式称为Transfer learning。 R-CNN是大样本下有监督预训练 + 小样本 阅读全文
摘要：
仿射变换是一种二维坐标（x，y）到二维坐标（u，v）的线性变换。 对应的齐次坐标矩阵表示形式为： 仿射变换特点： 直线经仿射变换后依然为直线； ’直线之间的相对位置关系保持不变，平行线经仿射变换后依然为平行线，且直线上点的位置顺序不会发生变化； 非共线的三对对应点确定一个唯一的仿射变换； 经仿射变换 阅读全文
摘要：
传统的检测就是使用不同大小的窗口进行穷举，用分类器判断哪个窗口是目标。SS不想穷举，可以根据颜色、纹理的信息把图片分成不同的区域，这样就能够提取出大概包含目标的区域了，然后用这个粗略的区域在进行进一步的筛选。 问题： 1、要划分完全，不能漏掉，有的object之间是纹理不一样，有的是颜色不一样，单一 阅读全文