《计算机视觉》课件_计算机视觉课件1210v1-6.pptxVIP

;目录;;背景介绍;本章思维导图;;;;交并比;从RCNN到FasterRCNN;RCNN网络结构;边框回归算法;边框回归算法;?;?;?;?;总结：

边框回归算法学习CNN所预测的boundingbox到真实值（groundtruth）的变换

变换包括

水平方向的平移（边框中心点在水平方向的移动）

竖直方向的平移（边框中心点在竖直方向的移动）

水平方向的缩放（边框长边的变化）

竖直方向的缩放（边框宽边的变化）

每个变换由一个参数确定，因此边框回归算法输出的是四个参数

边框回归算法输入是featuremap;非极大值抑制;SPP-Net网络结构;FastRCNN网络结构;FastRCNN网络结构;FasterRCNN网络结构;RPN;一阶段目标检测;YOLO;YOLO;YOLO;YOLO的损失函数

对所有的预测边框位置和真实框之间进行平方差的损失计算。

若有物体落入预测框中，计算其与真实边界框之间置信度的损失计算。

若没有物体落入预测框中，真实边界框的置信度为0，所以希望预测框的置信度越小越好。

若预测框中包含物体，希望其预测正确类别的概率越接近1越好，而错误类别概率越接近0越好。;SSD;SSD是对YOLO算法的改进

多尺度特征图：从不同层中提取出比较大的特征图和比较小的特征图

引入锚点（anchor）的机制

为每个单元设置了尺度和长宽比不同的先验框，预测的边界框都是在先验框的基础上加以修正;语义分割;FCN;FCN;转置卷积;转置卷积;跳跃结构;DeepLab;DeepLab是基于FCN网络的改进：

空洞卷积：增大感受野

ASPP（AtrousSpatialPyramidPooling）：融合不同感受野的特征图;MaskRCNN;ROIAlign;;目标检测

两阶段目标检测

RCNN

FastRCNN

FasterRCNN

一阶段目标检测

YOLO

SSD

语义分割

FCN

DeepLab

MaskRCNN

;本章总结