目标检测：给你一张只有一条狗的图片，输入训练好的模型中（假设模型包含了所有类型的狗），不管狗出现在图片中的哪个位置，它都能被检测为狗；给你一张有两条狗的图片，输入网络，会生成两个bbox，均被检测为狗，无法进行个体的区分。
语义分割：对所有像素进行分类，图片中只要出现狗，都会被分为一类，同样无法进行个体的区分。
实例分割：在所有不同类的狗的像素都被分类为狗的基础上，对不同类的狗进行目标定位，再给上狗1和狗2的标签，这就是实例分割。
版权声明：本文为CSDN博主「剑走偏锋777」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/MUYEFENX/article/details/121872114
Small Object Detection using Context and Attention 论文阅读笔记 出处：2021 International Conference on Artificial Intelligen
Feature Pyramid Networks 对于Faster Rcnn使用FPN，cocoAP提升2.3个点，pascalAP提升3.8个点 1*1的conv，调整通道数，原论文中
mmdetection中使用训练好的模型单张图片推理并保存到文件夹 one_image_demo.py# Copyright (c) OpenMMLab. All rights reserved. import asyncio import
NMS 基本过程 当前的物体检测算法为了保证召回率，对于同一个真实物体往往会有多于 1 个的候选框输出。由于多余的候选框会影响检测精度，因此需要利用 NMS 过滤掉重叠的候选框，得到最佳的预测输出
暂无评论