MPSR的要点讲解
主体的faster rcnn结构不变，新增加一个分支，新分支的输入是提取的经过图像金字塔处理有偏移的目标方形框，人工地将裁剪的目标的不同尺度与FPN的不同级别进行对应。然后通过损失函数对分类和前背景进行调整。（如下图，如32*32的目标图像，RPN这一支激活FPN的P2，上图中的上边一个分支，RoI这一分支激活FPN的P2，上图中的下边一个，然后得到的结果参数最后的损失计算，用于refine结果。）
Refinement Branch分支和faster rcnn分支的FPN共享参数。
版权声明：本文为CSDN博主「暄染落墨」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_36136196/article/details/121938659
在本章节代码编写中，发现之前的代码所处的环境是python3，因此导致了cv2.dnn.readNetFromDarknet()在代码运行中导致了i[0]的获值失败，故总结如下：
cv2
什么是先验框？
了解过目标检测算法的朋友们肯定知道先验框(Anchor)的概念，那么什么是先验框，为什么要有先验框？若要解释这个问题，首先我们需要了解边界框回归原理。
b
YOLOv3学习之锚框和候选区域
单阶段目标检测模型YOLOv3
R-CNN系列算法需要先产生候选区域，再对候选区域做分类和位置坐标的预测，这类算法被称为两阶段目标检测算法。近几年，很多研究人员相继
IoU：使用最广泛的检测框loss。 GIoU：2019年CVPR Generalized Intersection over Union: A Metric and A Loss for Bounding Box
暂无评论