摘要： idea：ROI pooling前都是卷积，是具备平移不变性的，但一旦插入ROI pooling之后，后面的网络结构就不再具备平移不变性了，就解决了分类和定位的矛盾，但因为引入roi-wise layer，会牺牲训练和测试的效率。因此，本文想提出来的position sensitive score 阅读全文

摘要： 在region proposal阶段采用不同的iou。 第一幅图，不同颜色的线是用不同的region proposal的iou阈值，横坐标是region proposal生成的框与gt的原始iou，纵坐标是未经过训练的框经过bounding box regression后生成的新框与gt的iou，发 阅读全文

摘要： 流程：1.detections和trackers用匈牙利算法进行匹配 2.把匹配中iou < 0.3的过滤成没匹配上的(1、2步共同返回匹配上的，没匹配上的trackers，没匹配上的detections) 3.更新匹配上的detections到trackers 4.把没匹配上的detections 阅读全文

摘要： 1.理论上浅层是提取一些物体的一般特性，颜色、纹理、形状等 2.提出position sensitive score map还有个idea：随着网络深度的增加，网络对于位置（Position）的敏感度越来越低，也就是所谓的translation-invariance，但是在Detection的时候， 阅读全文

摘要： 代办项： 把自己做的实验全部总结一次 1.浅层和深层concat和eltwise相加性能上有啥区别 把dssd和fpn做一个对比，既然没办法在fpga上用deconvolution，如果dssd效果好，那可以用dssd 统计数据的所有size大小，然后把anchor改了 2.把backbone从st 阅读全文

摘要： 上图是2^x-1的曲线，取值范围在（-1，正无穷） 上面两个公式组成了隶属函数(membership)表示隶属度，隶属度就是衡量这个点同下边缘点是否属于同一个物体。实际上M函数就是2^x-1，但M函数的取值范围在(-1,1]，且bottom点取到最大值1.小于0的点属于背景，大于0的点属于物体。 1 阅读全文

摘要： 1.resnet的skip connection是通过eltwise相加的 2.resnet做detection的时候是在conv4_x的最后一层（也就是stage4的最后一层），因为这个地方stride为16 作者：灰灰链接：https://www.zhihu.com/question/64494 阅读全文

摘要： 我们知道，在做数学题的时候，解未知数的方法，是给定自变量和函数，通过函数处理自变量，以获得解。而机器学习就相当于，给定自变量和函数的解，求函数。类似于：这样：function（x）=y 机器学习就是样本中有大量的x（特征量）和y（目标变量）然后求这个function。 求函数的方法，基于理论上来说， 阅读全文

摘要： 总结：逻辑回归是在线性回归的基础上套用了一个逻辑函数。线性回归是进行回归预测，逻辑回归是用来分类，即离散。线性回归是在整个实数空间进行回归，逻辑回归把整个回归限定在实数范围0，1的回归，以某一阈值作为分类判别 逻辑回归中逻辑函数： 线性回归的模型是求出输出特征向量Y和输入样本矩阵X之间的线性关系系数 阅读全文

摘要： faster rcnn中这三层是单独生成的层,也是复现最复杂的层 anchor_target_layer作用:从众多的anchor中选取出正负样本供rpn网络学习(实际上就是把anchor和gt进行配对,配对后将这一对送给loss进行训练). 注意的点:从众多的anchor中随机选取128个正样本( 阅读全文