Anchor Boxes

人工智能领域优质创作者

博客专家认证

2023-01-13 03:24:10

课时名称	课时知识点
Anchor Boxes	Anchor Boxes原理介绍

...全文

57 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

k-means算法应用VOC格式数据集，项目由python书写，因此要求含有python环境。使用方法见博客

我们在YOLO V2中说到，在Faster RCNN中anchor boxes大小都是手动设定的，这就带有一定的主观性，会使得网络在使用中不能更好的做出预测。这是在使用anchor boxes出现的第一个问题。为了解决这个问题，于是YOLO V2提出了使用k-Means聚类方法在训练集中自动的获取每个anchor boxes的大小，以替代人工设置。但是如果直接使用k-Mean的欧氏距离来度量进行聚类的话，结果会导致大的box比小的box产生更大的误差。而在YOLO V2中使用聚类的目的是为了使得anchor boxes和Ground Truth有更大的IOU，因此这就和anchor boxes的尺寸大小没有直接的关系。那么，具体怎么实现，请见脚本

YOLO（You Only Look Once）是一种实时目标检测算法，2016年由Joseph Redmon等人提出。YOLO的特点是：一次检测，实时检测，速度快，准确率高。 YOLO的主要思想是：在图像中，检测目标的 bounding box（边界框）可以被视为一个问题。通过卷积神经网络（CNN）和回归算法，可以预测边界框的位置和大小。 YOLO的架构主要由三个部分组成： CNN网络：使用CNN网络来提取图像的特征。YOLO使用Darknet-19网络作为基础网络，这是一个常用的深度学习网络架构。 Anchor boxes：在图像中，YOLO使用Anchor boxes作为检测目标的候选框。Anchor boxes是预先定义的候选框，用于检测目标的位置和大小。 Regression：YOLO使用回归算法来预测候选框的位置和大小。回归算法将候选框的坐标转换为检测目标的边界框。 YOLO的优点是：实时检测：YOLO可以实时检测图像中的目标，速度快。准确率高：YOLO的准确率高，因为它使用了深度学习网络来提取图像的特征。易于实现：YOLO的实现相对简单，因为它使用了标准的深

RPN 的用途在于, 判断需要处理的图片区域(where), 以降低推断时的计算量.RPN 快速有效的扫描图片中每一个位置, 以判断给定区域是否需要进一步处理.

k-means_clustering_with_the_Intersection_over_Unio_kmeans-anchor-boxes

石楠的课程社区_NO_1

1

社区成员

23

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章