Bounding-Box Regression边界框回归的学习和理解
欢迎大家系统学习Faster RCNN原理的专题讲座:
Faster RCNN原理篇(二)——RoIPooling和RoIAlign的学习和理解
Faster RCNN原理篇(三)——区域候选网络RPN(Region Proposal Network)的学习、理解
引言
由于Faster RCNN = RPN + Fast RCNN,因此,为了学习和理解Faster RCNN,本人研究了RPN的实现原理,在学习RPN实现原理的过程中,又不可避免地开始深钻Bounding-Box Regression的设计原理和实现过程。最后,发现 常见的目标检测算法如R-CNN、Fast RCNN中都用到了 Bounding-Box Regression,回归的目标是使得 预测的物体窗口Region Proposal 和 真实的物体窗口Ground Truth更加接近。
( 备注: 关于Faster RCNN原理篇所涉及的各个知识点,本人会分章节进行学习和总结,并无偿分享给大家,以求共同学习进步~如有不足之处,还望批评指定,一起进步!!!)
话不多说,直接步入正题:
Bounding-Box Regression的学习和理解,可以围绕以下5个问题的解答进行详细展开:
- (Why?)为何要做边框回归?
- (What?)什么是边框回归?
- (How?)如何实现边框回归?
- 边框回归为什么使用相对坐标差?
-
为什么边框回归只能微调,且只有距离Ground Truth较近的时候才能生效?
-
(Why?)为何要做边框回归?
如上图所示,绿色的框代表实际飞机的Ground Truth,红色的框代表算法提取的Region Proposal。那么即便红色的框被分类器识别为飞机,但是由于红色的框定位不准(IoU
Original: https://blog.csdn.net/weixin_42782150/article/details/110522380
Author: Yale曼陀罗
Title: Faster RCNN原理篇(一)——Bounding-Box Regression边界框回归的学习和理解
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/635530/
转载文章受原作者版权保护。转载请注明原作者出处!