Scalable Object Detection using Deep Neural Networks
基于深度神經網絡的可伸縮目標檢測

14年的文章 是一個用于檢測的顯著性啟發式神經網絡模型，
分為 “定位”+“識別”兩步

解決

將深度網絡應用到多object，并且object未知的情況
窮舉候選區導致計算量過大

過程

在圖像上生成候選區域 本文重點
檢測算法DeepMultiBox 一次預測多個邊界框
讓CNN輸出一定數量的bounding boxes(每個box用4個參數表示,分別是此box的左上角的橫坐標+縱坐標,右下角的橫坐標+縱坐標,對每個坐標值要用圖像的寬和高進行歸一化),另外還要輸出每個box上還要有一個是否包含目標的置信度

本文題目的可擴展性，具體是指物體類別增多的情況下，bounding box的數目不變，可用于其他數據集中 即原文中所寫的預測一組表示潛在對象的邊界框來實現類無關
2. 利用CNN對生成的候選區域進行分類

給定一張測試圖像 --> 裁剪出它的最大正方形區域 --> 將此區域resize到220220大小 --> 送入DeepMultiBox網絡進行回歸,得到K個回歸boxes以及每個box的置信度分數 --> 利用非最大值抑制的方法將重疊度小于0.5的box去除掉 --> 擁有最高置信度分數的10個區域將被保留 --> 將這些區域送到分類CNN里面進行軟分類,輸出每個區域的概率值,得到10(N+1)的概率矩陣 --> 每個區域的置信度分割乘上概率值作為它最終的分數 --> 這些分數用于估計和計算P-R曲線.

思想

類不相關思想

貢獻

采用的代價函數很好了解決了定位和分類的loss分配
DeepMultiBox

[參考文章1]
(https://blog.csdn.net/u010725283/article/details/78816916)
[參考文章2]
(http://t.zoukankan.com/zhao441354231-p-6095856.html)
[參考文章3]
(https://cloud.tencent.com/developer/article/1495118)

總結

以上是生活随笔為你收集整理的Scalable Object Detection using Deep Neural Networks 阅读笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。