0
点赞
收藏
分享

微信扫一扫

基础知识以及专业名词

两阶:两阶的算法通常在第一阶段专注于找出物体出现的位置, 得到建议框,保证足够的准召率,然后在第二个阶段专注于对建议框进行分类,寻找更精确的位置,典型算法如Faster RCNN。两阶的算法通 常精度准更高,但速度较慢。当然,还存在例如Cascade RCNN这样更多阶的算法。

·一阶:一阶的算法将二阶算法的两个阶段合二为一,在一个阶段 里完成寻找物体出现位置与类别的预测,方法通常更为简单,依赖于特 征融合、Focal Loss等优秀的网络经验,速度一般比两阶网络更快,但精度会有所损失,典型算法如SSD、YOLO系列等。

Anchor:是一个划时代的思想,最早出现在Faster RCNN中,其本质 上是一系列大小宽高不等的先验框,均匀地分布在特征图上,利用特征 去预测这些Anchors的类别,以及与真实物体边框存在的偏移。Anchor 相当于给物体检测提供了一个梯子,使得检测器不至于直接从无到有地预测物体,精度往往较高,常见算法有Faster RCNN和SSD等。

IOU:即交并比,是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率,即它们的交集并集的比值。对于IoU而言,我们通常会选取一个阈值,如0.5,来确定预测框是正确的还是错误的。当两个框的IoU大于0.5时,我们认为是一个有效的检测,否则属于无效的匹配。

召回率(Recall,R):即当前一共检测出的标签框与所有标签框的比值。

准确率(Precision,P):即当前遍历过的预测框中,属于正确预测边框的比值。

mAP:均值平均精度(mean Average Precision),通常使用这一指标来评价一个模型的好坏,这里的AP指的是一个类别的检测精度,mAP则是多个类别的平均精度。

AP:P-R曲线的面积,综合考量了不同召回率下的准确率,不会对P与R有任何偏好。

AP=\int_{0}^{1}PdR

举报

相关推荐

0 条评论