“多尺度”目標(biāo)檢測問題在目標(biāo)檢測任務(wù)中，目標(biāo)的大小往往不固定，自動(dòng)駕駛相關(guān)的檢測任務(wù)可能需要同時(shí)檢測大貨車和小狗；與工業(yè)質(zhì)量檢驗(yàn)相關(guān)的檢驗(yàn)任務(wù)可能需要同時(shí)檢測布料的大面積撕裂和小穿孔；醫(yī)學(xué)損傷檢測的任務(wù)可能需要同時(shí)檢測不同大小的損傷。其局限性體現(xiàn)在以下幾個(gè)方面:第一，目標(biāo)試題多針對(duì)三維目標(biāo)中知識(shí)、能力、價(jià)值觀的達(dá)成，部分試題可以檢測情緒、態(tài)度、價(jià)值觀的達(dá)成，但基本無法評(píng)價(jià)過程方法的達(dá)成。

學(xué)習(xí)yolo的方法如下:學(xué)習(xí)目標(biāo)知道yolo網(wǎng)絡(luò)架構(gòu)，其輸入輸出，yolo模型的訓(xùn)練樣本構(gòu)造方法，yolo模型的損失函數(shù)，yoloV2模型的改進(jìn)方法，yoloV3的多尺度檢測方法，yoloV3模型的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)輸出，yoloV3模型的先驗(yàn)框架設(shè)計(jì)方法，yoloV3模型為什么適合多標(biāo)簽?zāi)繕?biāo)分類。

1.yolo算法Yolo算法使用單獨(dú)的CNN模型實(shí)現(xiàn)endtoend的目標(biāo)檢測。核心思想是以整張圖片作為網(wǎng)絡(luò)的輸入，在輸出級(jí)直接返回boundingbox的位置及其類別，以及整個(gè)系統(tǒng)。首先，將輸入的圖片大小調(diào)整為448x448，然后發(fā)送到CNN網(wǎng)絡(luò)。最后，對(duì)檢測出網(wǎng)絡(luò)預(yù)測結(jié)果的目標(biāo)進(jìn)行處理。

GitHubCSDN當(dāng)前。計(jì)算機(jī)視覺中性能最好的目標(biāo)檢測方法有兩種:一步法和二步法。兩階段法分為兩個(gè)步驟。第一步是候選區(qū)域生成階段，并且可以通過諸如選擇性搜索和邊緣框之類的方法來生成相對(duì)少量的候選目標(biāo)檢測幀。第二步是分類回歸階段，對(duì)第一階段生成的CandiateProposal進(jìn)行分類回歸。

快速CNN .一步法直接對(duì)大量的候選圖像進(jìn)行分類和回歸。這兩種方法都存在一個(gè)類別不平衡的問題。兩階段法通過第一步將等價(jià)候選區(qū)域縮小到了一個(gè)更小的范圍，同時(shí)在第二步通過一些啟發(fā)式原則在一定程度上降低了正負(fù)樣本的比例。

RoI是RegionofInterest的簡稱，指的是一張圖片的“感興趣區(qū)域”。它用于RCNN系列算法。輸入圖像通過卷積網(wǎng)絡(luò)得到特征映射后，通過選擇性搜索或RPN算法得到多個(gè)目標(biāo)候選幀。這些候選幀在特征圖上以輸入圖像作為參考坐標(biāo)的映射區(qū)域在目標(biāo)檢測中被稱為RoI。RoIPooling的流程如上圖所示，計(jì)算細(xì)節(jié)有兩個(gè)問題:問題1。如何在featuremaps上以輸入圖片為參考坐標(biāo)映射候選框？

姓名:宋學(xué)號(hào):【埋牛入門】:目標(biāo)識(shí)別的分析【埋牛鼻子】:RNN【埋牛問題】:RNN如何應(yīng)用于計(jì)算機(jī)視覺中的目標(biāo)檢測？深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域取得了很大進(jìn)展。近年來，CNN一直是主流模式所采用的框架。最近半年，RNN/LSTM的應(yīng)用逐漸成為識(shí)別領(lǐng)域的一種趨勢，在獲取目標(biāo)方面，RNN比CNN有著獨(dú)特的優(yōu)勢。

1.InsideOutsideret:detecting objectsincontext with skippooling和currentNeural Networks CVPR 2016(論文筆記)本文的主要貢獻(xiàn)是使用了skip pooling和RNNlayer。在多尺度特征圖上做roipooling，最后的特征圖是通過rnn得到的。