深度学习之目标检测学习笔记——1、基本概念

1、BBox:边界框

    一般分为人工标注、预测识别两种。

    有两种标注方式:
    1)xyxy:左上+右下的坐标
    2)xywh:左上+长宽
    一共四个值进行记忆。

2、Anchor:锚框,又叫Prior Box

    人为设置的不同长宽比、面积的先验框。
    
    一般是在特征图片上进行划定区域而进行的。

3、RoI:特定的感兴趣区域

4、Region Proposal:候选区域/框

5、RPN:Region Proposal Network——提取候选框网络,用来提取候选框的

6、IoU:Intersaction over Union——交并比

    主要是用来评价预测框的质量,IoU越大则预测框与标注越接近,主要取的是BBox中人为标注的框和预测框之间的交集或者说是面积。

7、mAP深度学习之目标检测学习笔记——1、基本概念_第1张图片

深度学习之目标检测学习笔记——1、基本概念_第2张图片

准确率:针对预测结果而言的

召回率:针对样本而言的

P-R曲线:实际上是用的是累积的点所构成的曲线(此处累计,需要先根据预测得分进行排序,然后进行precision和recall进行的累计求解,从上到下,求出每个点的坐标)将每一个散点进行连接,就可以得到最后的P-R曲线。(在VOC中可能会进行拟合,再求AP的值,这在CoCo和voc中还是有点不一样的)

8、NMS非极大值抑制(去掉非极大值,只留下极大值)

深度学习之目标检测学习笔记——1、基本概念_第3张图片

 一般是出现多个预测框(出现意见不一致),则会最终留下一个预测框

你可能感兴趣的:(python,深度学习)