YOLOv3没有太多的创新，主要是借鉴一些好的方案融合到YOLO里面。不过效果还是不错的，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。 本文主要讲...
发简信
IP属地：山东
-
YOLOv3 深入理解 -
-
@顽皮的石头7788121 谢谢您！
（11）NMS与Soft-NMS
（1）NMS算法介绍 物体检测是计算机视觉领域的一个经典问题，它为特定类别的物体产生检测边框并对其分类打分。传统的物体检测流程常常采用多尺度滑动窗口，根据每个物体类别的前景/...
-
@顽皮的石头7788121 请问能不能给解释一下最后的部分“假设我们对一个与M高度重叠的检测框bi的检测分数进行衰减，而非全部抑制。如果检测框bi中包含不同于M中的物体，那么在检测阈值比较低的情况下，该物体并不会错过检测。但是，如果bi中并不包含任何物体，即使在衰减过后，bi的分数仍然较高，它还是会产生一个假阳性的结果。”
不太明白这段话啥意思唉。。感谢！
（11）NMS与Soft-NMS
（1）NMS算法介绍 物体检测是计算机视觉领域的一个经典问题，它为特定类别的物体产生检测边框并对其分类打分。传统的物体检测流程常常采用多尺度滑动窗口，根据每个物体类别的前景/...
-
第一部分最后：在这种情况下，如果一个真实物体在重叠区域出现，则将导致对该物体的检测失败并降低了算法的平均检测率（average precision, AP）。 降低的不应该是AP, 应该是recall 吧？
（11）NMS与Soft-NMS
（1）NMS算法介绍 物体检测是计算机视觉领域的一个经典问题，它为特定类别的物体产生检测边框并对其分类打分。传统的物体检测流程常常采用多尺度滑动窗口，根据每个物体类别的前景/...
-
@yanghedada 感谢回复！谢谢啦！
RoIPooling和RoIAlign
RoIPooling Conv layers使用的是VGG16，feat_stride=32，假定原图中有一region proposal，大小为665 x 665，这样，映...
-
@yanghedada 就是说，无论输入ROIPooling的feature maps是多大，pooling之后，都会得到同样大小的一个7*7的特征映射是吗？
RoIPooling和RoIAlign
RoIPooling Conv layers使用的是VGG16，feat_stride=32，假定原图中有一region proposal，大小为665 x 665，这样，映...
-
您好，在RIOpooling部分，对于输入的特征映射，经过pooling后都变成固定大小（7*7）的特征，但是您的意思是，这并不是ROIpooling最终的输出，最终的输出是在刚才的（7*7）的特征映射上，在对每一个小块里面的数值取max的那个像素，作为最终的输出，这样就保证了：即使输入不同大小的feature maps（比如28*28， 56*56）,经过pooling产生的（7*7）的特征映射，49个小块里，每个小块的长宽从（4*4， 8*8），经过取max像素之后，长宽都变得一样是吗？
RoIPooling和RoIAlign
RoIPooling Conv layers使用的是VGG16，feat_stride=32，假定原图中有一region proposal，大小为665 x 665，这样，映...
-
-
不太明白这段话啥意思唉。。感谢！
