G-CNN詳解
阿新 • • 發佈：2019-01-09
(3)根據G-CNN的框架結構圖，它的總體思路是：首先在影象上新增多尺度的regular grid(multi-scale regular grid)，圖中為了視覺化，展示的grid是不重疊,但實際上boxes之間是重疊的。在訓練時，通過分配函式為每一個box分配一個groundtruth object，分配函式是基於box與groundtruth的IoU進行分配的。然後，在每一個訓練step，對grid中的boxes進行迴歸，使得box朝著分配給它的影象中的目標移動。測試時(test
time)，對於每次迭代中的每一個box，可以得到它在所有類別上的confidence scores(可信度分值)，用最可能類別(the most probable class)的迴歸器來更新box的Location。
2.相關工作
(1)Prior to CNN(在CNN之前)：目標檢測問題在使用CNN之前多是用滑動視窗和分類(sliding window and classification)實現的，如HOG+SVM。還有DPM模型
(2)CNN age:Grishick提出了一個多階段的目標檢測系統R-CNN(第一個基於
(3)將目標檢測模型化迴歸問題：除了分類，使用迴歸器(regressor)進行目標檢測在之前也有一些研究。(一種思路是將目標檢測作為分類任務來實現，RCNN,Fast RCNN這一系列都是對object proposal進行分類，然後利用regressor修正位置，而另一種思路是將目標檢測任務通過迴歸來實現)。如文獻[19]提出將目標檢測模型化一個迴歸問題，提出了基於CNN的一個迴歸系統(a CNN-based regression system)。近期，文獻[23](ICCV2015的一篇論文)提出了AttentionNet，它使用迭代迴歸來檢測影象中的一個單個目標，是單類別目標檢測。對於多類目標，模型使用proposal演算法生成上千個proposals，然後對每個prpoposal重複運用進行單類別目標檢測，效率非常低。
(4)去除基於CNN的目標檢測系統中的proposal階段：文獻[14]論述了基於CNN的目標檢測系統中object proposal演算法的必需性。在文獻[14]中，用一個固定的bounding boxes集合來替代proposals。另一個去除proposal階段的嘗試是文獻[16]，which conducts object detection in a single shot。
2.相關工作
(1)Prior to CNN(在CNN之前)：目標檢測問題在使用CNN之前多是用滑動視窗和分類(sliding window and classification)實現的，如HOG+SVM。還有DPM模型
(2)CNN age:Grishick提出了一個多階段的目標檢測系統R-CNN(第一個基於
(3)將目標檢測模型化迴歸問題：除了分類，使用迴歸器(regressor)進行目標檢測在之前也有一些研究。(一種思路是將目標檢測作為分類任務來實現，RCNN,Fast RCNN這一系列都是對object proposal進行分類，然後利用regressor修正位置，而另一種思路是將目標檢測任務通過迴歸來實現)。如文獻[19]提出將目標檢測模型化一個迴歸問題，提出了基於CNN的一個迴歸系統(a CNN-based regression system)。近期，文獻[23](ICCV2015的一篇論文)提出了AttentionNet，它使用迭代迴歸來檢測影象中的一個單個目標，是單類別目標檢測。對於多類目標，模型使用proposal演算法生成上千個proposals，然後對每個prpoposal重複運用進行單類別目標檢測，效率非常低。
(4)去除基於CNN的目標檢測系統中的proposal階段：文獻[14]論述了基於CNN的目標檢測系統中object proposal演算法的必需性。在文獻[14]中，用一個固定的bounding boxes集合來替代proposals。另一個去除proposal階段的嘗試是文獻[16]，which conducts object detection in a single shot。