网站建设 技术要求,北京网站建设排行,西安做网站的公司电话,重庆公司专业建站候选位置(proposal) RCNN
什么时ROI#xff1f;
在图像处理领域#xff0c;感兴趣区域(region of interest #xff0c; ROI) 是从图像中选择的一个图像区域#xff0c;这个区域是你的图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定你想读的目标…候选位置(proposal) RCNN
什么时ROI
在图像处理领域感兴趣区域(region of interest ROI) 是从图像中选择的一个图像区域这个区域是你的图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定你想读的目标可以减少处理时间增加精度。
什么是stride
步长。
什么是padding
padding是为了解决以下两个问题
1.每卷积一次图像就会变小卷积几次图像就会变得非常小2.图像角落和边缘的像素卷积过程中被使用到的次数非常少而其他地方的像素被多次重叠使用丢失了边界上许多信息。
所以为了解决上面两个问题在卷积之前使用pad填充周边方式。
卷积过程padding的理解
什么是稀疏矩阵
在矩阵中若数值为0的元素数目远远多于非0元素的数目并且非0元素分布没有规律时则称该矩阵为稀疏矩阵与之相反若非0元素数目占大多数时则称该矩阵为稠密矩阵。定义非零元素的总数比上矩阵所有元素的总数为矩阵的稠密度。 通常认为矩阵中非零元素的总数比上矩阵所有元素总数的值小于等于0.05时则称该矩阵为稀疏矩阵(sparse matrix)与之相区别的是如果非零元素的分布存在规律如上三角矩阵、下三角矩阵、对角矩阵则称该矩阵为特殊矩阵。 百度百科-稀疏矩阵
什么是下采样什么是上采样
下采样subsampled又称为降采样downsampled。可以通俗地理解为缩小图像减少矩阵的采样点数。例如隔位取值、合并区域等。
上采样upsampling又称为插值interpolating。可以通俗地理解为放大图像增加矩阵的采样点数。例如内插值、反卷积等
computer vision笔记上采样和下采样 下采样与上采样
什么是感受野receptive field , RF如何计算
感受野的定义是卷积神经网络每一层输出的特征图上的像素点在输入图片原图上映射区域的大小。 怎么计算呢一般都是从输出倒推向输入通过以下的公式进行计算
1.最后一层卷积层或池化层输出特征图感受野的大小等于卷积核的大小。2.依次向前计算其他层数的感受野大小。3.计算感受野的大小时忽略图像边缘的影响即不考虑padding的大小。 以下面的网络结构为例
什么是feature map
在CNN的设定里Feature Map是卷积核卷出来的,你用各种情况下的卷积核去乘以原图会得到各种各样的feature map。你可以理解为你从多个角度去分析图片。而不同的特征提取核会提取不同的feature模型想要达成的目的是解一个最优化来找到能解释现象的最佳的一组卷积核。
理解卷积神经网络CNN中的特征图 feature map——该博客解释卷积网络的核心思想很明白。 CNN一个牛逼的地方就在于通过感受野和权值共享减少了神经网络需要训练的参数的个数。总之卷积网络的核心思想是将局部感受野、权值共享或者权值复制以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性.
什么是anchor
anchor称为预定义边框。 Faster R-CNN的Anchor box 实际上就是用来生成一系列先验框的规则其生成的先验框有以下三部分构成
CNN提取的Feature Map的点来定位边框的位置。Anchor box的Scale来表示边框的大小Anchor box的Aspect Ratio来表示边框的形状
one stage中的目标检测 是直接在最后提取的Feature map上使用预定义的Anchor生成一系列的边框最后再对这些边框进行回归。 two stage中的目标检测 提取的Feature map上使用预定义的Anchor生成一系列的边框这些边框经过RPN网络生成一些的ROI区域。将提取到的ROI输入到后续网络中进行边框回归这就比one stage的方法多了一步所以精度和耗时上都有所增加。
目标检测中anchor的概念
什么是Softmax函数
一文详解Softmax函数
什么是交叉熵
交叉熵Cross-Entropy 二分类问题的标准 loss 是交叉熵。
什么是focal loss
focal loss不仅仅解决了样本非平衡的问题同样有助于模型的整体性能提高。 focal loss 通俗讲解
one-stage 和 two-stage的区别
One-stage网络以yolo系列网络为代表的two-stage网络以faster-rcnn为代表的
One-Stage 主要思路直接通过卷积神经网络提取特征预测目标的分类与定位
Two-Stage 主要思路先进行区域生成即生成候选区域Region Proposal在通过卷积神经网络预测目标的分类与定位 目标检测之one-stage和two-stage网络的区别
RPN是什么
RPNRegion Proposal Network是Faster-RCNN网络用于提取预选框也就是RCNN中使用Selective Search算法进行Region Proposal的部分 我们知道RCNN及Fast-RCNN中一个性能瓶颈就是提取预选框的部分而RPN很好地对这个部分进行了优化原因在于它将卷积神经网络引入了进来使用特征提取的形式生成出预选框的位置从而降低了Selective Search算法带来的计算时间上的开销。 详解RPN网络
什么是词袋模型
词袋模型Bag-of-words model是用于自然语言处理和信息检索中的一种简单的文档表示方法。通过这一模型一篇文档可以通过统计所有单词的数目来表示这种方法不考虑语法和单词出现的先后顺序。这一模型在文档分类里广为应用通过统计每个单词的出现次数频率作为分类器的特征。 计算机视觉中同样可以用到词袋模型。 词袋模型Bag-of-words model
什么是one-hot编码
one-hot编码又称独热编码、一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码每个状态都有它独立的寄存器位并且在任意时候其中只有一位有效。 one-hot编码
