在训练目标检测模型时，锚框大小是否会得到优化？
在训练目标检测模型时，锚框大小是需要得到优化的。
锚框是目标检测算法中的一种辅助工具，用于在图像中定位和识别目标。它是一种预定义的边界框，可以覆盖不同大小、比例和宽高比的目标。模型通过在不同位置、大小和宽高比的锚框上进行预测，来定位和识别图像中的目标。
优化锚框大小对目标检测模型的性能和准确度至关重要。过大或过小的锚框大小可能导致目标的漏检或误检。因此，在训练目标检测模型时，通常需要通过一些实验和调整来优化锚框的大小。
优化锚框大小的方法可以包括以下几个步骤：
- 数据分析和可视化：通过对训练数据集进行分析和可视化，可以了解目标的大小、比例和宽高比分布情况。根据数据集的特点，可以选择合适的锚框大小范围。
- 锚框设计和选择：根据目标的大小和比例分布情况，设计合适的锚框大小。通常可以选择一组不同大小和宽高比的锚框进行尝试，以覆盖各种目标。
- 模型训练和评估：在训练目标检测模型时，使用优化后的锚框大小作为模型的输入。通过不断迭代和调整，评估模型在验证集或测试集上的性能和准确度。
- 调整和优化：根据模型在验证集或测试集上的表现，对锚框大小进行调整和优化。可以通过增加或减少锚框的大小范围，进一步提升模型的检测性能。
腾讯云提供了一系列与目标检测相关的产品和服务，如人工智能服务（https://cloud.tencent.com/product/ai）和图像处理服务（https://cloud.tencent.com/product/ti），可以帮助开发者快速构建和部署目标检测模型。
相关·内容
我正在使用Tensorflow对象检测API进行一个项目。我在几个上训练了我的模型，并训练了一个rfcn_resnet101_coco模型来检测这些图像中的字母o。
我认为这个模型工作得很好，因为它在我传递给它的图像中检测到o(相当准确)。有关示例，请参见和。
然而，当我传递另外两幅图像时，它们的大小与前两幅相差很大，模型无法检测到任何东西！例如，当我将或传递给模型时，输出与输入相同。
我相信这是因为我所传递的最后两幅图像比我用来训练模型的大或小得多，而前两张或大致相同的大小。
我想知道是否有任何训练我的模型，以便它可以检测字母o在不同大小的图像，而不只是那些类似的培训输入。我想调整一下我的p
浏览 0提问于2019-08-06得票数 0
2回答
我正在学习，更快地使用目标检测模型R CNN，YOLOv3和and。我对锚框大小的调整感到困惑。
浏览 109提问于2021-04-17得票数 1
回答已采纳
我正在尝试使用ssd mobilenetv2从ipcam视频流中检测小对象。该模型对这些小物体的高分辨率图像进行了训练，这些小物体离camera.Images非常近，是从互联网上下载的。我发现改变锚框比例和修改特性extractor.py是解决这一问题的解决方案。有人能指导我怎么做吗？
浏览 4提问于2020-03-05得票数 4
我正在使用Tensorflow进行对象检测。我有7-8节课的混合课程。最初，我们有一个图像分类模型，现在将其转移到目标检测模型。仅对于一类，待检测对象占据整个图像。我们可以将边界框尺寸设置为图像的整个宽度和高度吗？会不会影响性能呢？
浏览 20提问于2019-07-01得票数 0
回答已采纳
1回答
我想为目标检测训练一个深度学习模型(比如SSD或yolo)。我想要探测的物体有很高的纵横比，比如说铅笔。我希望输出边界框尽可能接近类似的高宽比对象。我应该如何优化这方面的模型？我应该优化所有预定义的盒子的纵横比，使它们更接近真实的对象吗？就我的情况而言，对象总是在一个方向上。谢谢
浏览 6提问于2021-05-19得票数 0
回答已采纳
3回答
YOLO的另一个问题。我对YOLO如何通过偏移来调整锚框来创建最终的边界框进行了讨论。
我不明白的是，当YOLO这么做的时候。这是只在培训过程中进行的，还是在普遍使用已经培训过的模型时进行的？
*我的猜测是在训练阶段只做，用IoU将锚盒与地面真相盒进行比较，从而开始“拟合”因失去功能而使用的偏移，直到其IoU接近1。对吗？
浏览 17提问于2022-01-31得票数 0
回答已采纳
我已经建立了Tensorflow对象检测模型(带有coco或任何其他模型的e.g.SSD)来检测图片中的“汽车”，它工作得很好。现在我想用我自己的数据集，在coco上使用预先训练好的SSD模型来训练相同的SSD模型，以检测一个自定义对象，比如“门”。问:训练完模型后，经过训练的SSD模型还能检测到“车”和“门”吗？或者，训练的模型将只检测“门”，因为这是模型训练的目的。如果训练的模型没有检测到“汽车”和“门”，我如何实现检测“汽车”(这是一个标准对象)和“门”，我希望模型被训练来检测自定义对象？
谢谢。
浏览 1提问于2018-10-18得票数 1
2回答
我正在实现YOLO v2和3，以便在自定义数据集上检测对象。当YOLO v2和3使用大约5个左右的锚盒时，我通常可以检测到每幅图像50-100个。我的感觉是，如果只有5个锚盒，那么每个图像最多有5个检测，对吗？因此，我试图了解是否需要将锚框的数量调整到我的数据集。
我的问题是，在任何训练图像中，锚框的数量是否需要大于边框的最大数量？，这样，我就不会在没有相应的锚盒的情况下遇到探测。这是调整YOLO的正确思路吗？
如果我的直觉是正确的，那么我需要做k-方法来聚类地面真相图像中的包围框，并设置锚盒坐标。然后，我将使用这个中指定的通常的回归方法。
感谢任何人能提供的任何帮助。
浏览 7提问于2018-06-05得票数 1
回答已采纳
2回答
我将使用的SSD模型来检测小对象(比如图片中的排球)。
我想在配置文件中更改以下参数(宽比、比例、.)：
anchor_generator { num_layers: 6 min_scale: 0.2 max_scale: 0.95 aspect_ratios: 1.0 aspect_ratios: 2.0 aspect_ratios: 0.5 aspect_ratios: 3.0 aspect_ratios: 0.3333
我有三个问题：
为了修改这些参数(比例，高宽比，.)，我需要重新训练模型吗？或者经过这些修改后，我仍然可以使用预先训练的模型和微调作为我的数据？
由于与图
浏览 0提问于2018-07-02得票数 2
回答已采纳
1回答
我已经训练了一个具有自定义数据集(电池)的SSD Mobilenet模型。下面给出了电池的示例图像，并附上了我用来训练模型的配置文件。
当物体靠近摄像机(用摄像头测试)时，它用概率在0.95上准确地检测到物体，但当我将物体移动到更远的距离时，它就没有被检测到。调试后，发现该对象被检测到，但概率较低的为0.35。最小阈值设置为0.5。如果将阈值更改为0.5到0.2，则会检测到对象，但有更多的错误检测。
提到这个，SSD对于小型对象的性能不太好，另一种解决方案是使用FasterRCNN，但是这个模型的实时性非常慢。我想用SSD从更远的距离检测电池。
请帮我做以下几点
如果我们想要以更高的
浏览 0提问于2019-05-10得票数 6
以R-CNN为例。我知道有一个区域建议网络，然后是一个单独的分类网络，一般的想法是它找到可能是对象的潜在区域，然后将这些区域传递给分类器，以找出它是什么。我想知道如果我有一个自定义的数据集，分类器是如何训练的。它是否简单地提取所有边界框，使用这些边界框坐标创建新图像，对其进行预处理，然后使用它们进行训练？
换句话说，目标检测模型中使用的分类器是在基于边界框坐标生成的图像上训练的，还是更复杂？
浏览 0提问于2020-08-03得票数 0
1回答
我需要使用深度学习在“巨大”图像上执行目标检测，比如10000x10000像素。
在工作流程中的某个时刻，我需要将图像调整到更易于管理的大小，比如640x640。目前，我正在使用opencv实现这一点：
import cv2
img = cv2.imread("some/path/to/my/img")
h, w = 640, 640
img = cv2.resize("some/path/to/my/img_resized", (w,h))
现在，当我试图用我的肉眼查看其中一些图片(例如，检查我的边界框是否清晰)时，我“看不到任何东西”，因为调整大小太过激进
浏览 0提问于2020-02-12得票数 0
我想使用Tensorflow 来识别一系列摄像头图像中的对象。对COCO数据集进行预培训的似乎是合适的，因为它们包含了我需要的所有对象类别。
但是，我希望改进模型在识别每个图像中相当小的对象方面的性能。如果我正确理解，我需要编辑中的锚点参数，以获得模型使用较小的边界框。
我的问题是：
在调整这个参数之后，是否需要在整个COCO数据集上重新训练模型？或者，是否有一种方法来改变模型，仅仅是为了推理和避免任何再训练？
除了将图像裁剪成各部分并分别对每个部分进行推理外，是否还有其他技巧可以成功地识别小对象呢？
背景信息
我目前正在为模型提供1280x720图像。在大约200x150像素
浏览 1提问于2018-01-15得票数 12
回答已采纳
1回答
我是机器学习的新手。需要一点指导，如何继续训练一个模型的目标检测。我有一个完整的训练数据集和测试数据集的汽车颜色图像，注解和包围框。这个数据集有196个类。
所有谷歌搜索都提到使用预先训练过的模型。但是，我想在这个数据集上训练模型，以检测和预测边框值。在StackExchange上也没有发现。
感谢你的指点。
谢谢
浏览 0提问于2018-10-11得票数 0
回答已采纳
1回答
我有一个数据集，里面有330张照片，里面有枪。与图像一起，我有一个文本文件与每个图像文件相关联，
图像中物体(枪支)的数量。
图像中枪周围的包围盒的坐标。
我需要训练一个模型，它以图像作为输入，并输出4个整数值，这是包围盒(包围盒的顶点)的坐标。
为了训练目标检测模型，应该将图像作为输入而将坐标作为模型的输出吗？是否应该有卷积层来进行特征提取，然后用FC层来学习产生4个输出的特征(边界框的坐标)？这个模型体系结构的概念正确吗？还有其他建议吗？
我完全是在TensorFlow Keras中创建这个模型的，而没有使用任何经过预先训练的东西。
浏览 0提问于2019-06-03得票数 5
回答已采纳
2回答
我有几个问题，不知道你能不能回答。
我有一堆的汽车图片(只侧视)。我想用这些图像来训练一个模特。我感兴趣的目标是三种类型的卡车，有不同的拖车。我很少同时在图像中看到两个目标对象(也许每1000个图像中就有1\over2 )。然而，我确实看到其他类型的汽车，我不想检测。
我的问题是
你认为我应该把这个问题作为检测任务还是分类任务来处理？(例如，我应该考虑多标签分类还是忽略这些图片)。
我是否还应该包括我不想在训练数据集中检测到的其他车辆？假设我没有为它们分配边界框，而是将它们包含在训练数据集中，以使系统健壮。(我用200幅图像训练了YOLO，有时被训练的模型混淆并检测到没有出现在任何类中的错误对
浏览 0提问于2019-06-18得票数 0
1回答
从对象检测库中训练人脸检测模型
、、、、
为了训练人脸检测模型，是否有可能采用目标检测模型，并将其训练在人脸检测数据集上(只有一个类)？对象检测模型只有一个类有什么问题吗？
我计划使用的存储库是：
浏览 8提问于2022-06-17得票数 -1
我想在N×N图像的自定义数据集上训练检测器。因此，我深入研究了，并在COCO上找到了一个基于MobileNet v2的SSD300x300预训练模型。
查看用于培训的配置文件时:字段anchor_generator如下所示：(本文后面的内容)
anchor_generator {
ssd_anchor_generator {
num_layers: 6
min_scale: 0.2
max_scale: 0.9
aspect_ratios: 1.0
aspect_ratios: 2.0
aspect_ratios: 0.5
aspec
浏览 4提问于2018-08-08得票数 10
回答已采纳
我正在做一个项目，训练一个ML模型来预测Where's Wally中Waldo的位置。使用AWS Sagemaker的图像，其底层对象检测算法为单镜头检测，但我认为使用尺寸为2000 x 2000的实际拼图图像作为训练数据是不可能的，SSD会自动将图像大小调整为300 x 300，这将使Waldo变得毫无意义。SSD会自动调整图像大小，还是会在2000 x 2000图像上训练？我是否应该裁剪所有包含Waldo的300 x 300图像的拼图大小，或者我是否可以包括尺寸为2000+ x 2000+的实际拼图图像和300 x 300裁剪图像的混合？
我正在考虑通过在包含Wally的位置裁剪这
浏览 1提问于2019-04-01得票数 0
1回答
对象检测被定义为模型需要计算每个对象的边界框和类的问题。很多用于对象检测的ML解决方案都有“两次传递”--一种用于创建区域的边界框，另一种用于对区域进行分类。
我想知道这个问题的子集是否有一个名称，其中n_{classes} = 1。我觉得这里有一个有趣的机会，因为模型的整个分类部分可以(基本上)被忽略。显然，我可以用一个类来训练一个典型的对象检测模型，但是我只想看看是否有更多的专门方法。
浏览 0提问于2020-06-05得票数 1
回答已采纳
1回答
使用TensorFlow，我想用我自己的基于ssd_inception_v2_coco模型的图像训练一个目标检测模型。我的问题是我所有的照片都是黑白的。我能期望什么样的性能？我应该先试着给我的黑白照片上色吗？或者相反，我应该尝试用“未着色”的图像重新训练基础网络吗？是否有用于深度学习对象检测的图像黑白处理的一般指导原则？
浏览 14提问于2018-01-28得票数 2
回答已采纳
1回答
我最近训练了一个暗网yolov4模型来检测两个物体，使用下面的教程将其转换为tensorflow，然后再转换为onnx。
我最终得到了一个具有以下输入层和输出层维度的模型
如何确定具有未知数的三个输出层的形状？我需要它们，这样我才能在ML.Net中使用模型。
浏览 6提问于2021-07-07得票数 0
1回答
热图对象检测
、、、、
我正在使用tensorflow对象检测应用程序接口()通过单镜头多盒检测器(SSD)训练CNN，然后检测图像/视频中的对象。有没有什么方法可以在网络中实现热图来提高模型的准确性？如果没有，你能建议我用其他方法来改进模型吗？
提前感谢
浏览 1提问于2018-04-12得票数 2
在卷积神经网络中，增加核的大小是否会带来更好的训练集精度？例如，如果我在CNN中使用5x5内核而不是3x3内核，它是否总是产生更好的训练准确性？
增加内核大小意味着有效地增加参数的总数。因此，期望该模型具有较高的求解给定问题的复杂性。因此，它应该表现得更好，至少在一个特定的培训集。还是更难学习一个更大的内核？
我不担心这里的验证集的准确性。
浏览 0提问于2019-05-30得票数 6
1回答
我有两个对象检测模型的实例。这两种模式之间唯一的区别是所使用的培训数据：
第一个模型是用一个小的训练集来训练的。
第二个模型是在比第一个模型更大的训练集上训练的。
对第一个模型进行了以下超参数的培训：
迭代次数:250 k
批次大小: 10
学习速率:150 k迭代后，升温到0.001，下降到0.0002。
因为第二个模型有更多的训练数据，所以我假设我需要稍微修改一下超参数。因此，我尝试在以下超级参数上训练第二个模型：
迭代次数:600 k
批次大小: 10
学习速率:400 k迭代后升温至0.001，下降至0.0002。
当我在测试集上测量两个模型的mAP时，第一个模型的性能大大优于第二个模
浏览 0提问于2020-02-05得票数 1
回答已采纳
我们可以在tensorflow中获取任何预训练模型的子集吗？例如，如果我们有一个预先训练的模型，可以检测545个目标，我们可以使这个模型的子集只能检测20个目标，这样就可以减少加载模型和检测过程所需的时间。
浏览 0提问于2018-02-09得票数 0
3回答
众所周知，支持向量机的目标函数是迭代训练的。为了继续培训，如果我们想要在相同的训练数据集中继续，至少可以存储迭代中使用的所有变量。
然而，如果我们想要在稍微不同的数据集上进行培训，那么我们应该如何充分利用以前训练过的模型呢？或者这种想法有意义吗？我认为如果我们训练一个K均值模型是相当合理的。但我不知道这对支持向量机问题是否仍然有意义。
浏览 7提问于2014-01-17得票数 4
回答已采纳
1回答
我想训练一个模型来检测三种不同类型的缺陷。我有一个训练数据集，其中两个类包含分段掩码，但一个类只包含边界框。我是否可以训练一个共享的模型，或者我需要分离训练数据集，训练一个更快的R和一个蒙面的R？
(我只关心在培训数据中不包含掩码的类的边界框输出。)
浏览 17提问于2022-06-15得票数 1
回答已采纳
我在DetectorActivity 中查看了tensorflow android demo中的代码。
想知道为什么需要在将相机预览图像送入分类器之前将其裁剪到300 x 300维度吗？
使用不同的维度似乎会影响分类器的结果。此裁剪尺寸是否受.pb (或用于训练模型的图像)的影响？
浏览 0提问于2017-12-05得票数 0
1回答
我的目标是使用一个预先训练的模型，一个基于强度的图像。
大多数预先训练的模型期望RGB (int)格式作为输入图像。一个简单的解决办法是复制强度通道3次，以获得灰度图像。
然而，我的强度图像有一个大的尺度(不是0-255)，所以这个解决方案是行不通的。我可以以信息为代价挤压范围。
幸运的是，RGB空间是256_256_256。因此，这是包含一个非常大的强度范围的空间。但这样做的“最佳”方式是什么呢？
实际上，我使用matplotlib在我的图像上应用彩色地图，这有点像我想要的那样，但我不确定这是否正确，也不确定哪种颜色是最好的。
浏览 0提问于2020-03-02得票数 0
我运行了tensorflow对象检测api教程，并使用'ssd_mobilenet_v1_coco_2017_11_17‘模型在图像中获得了精确显示，这与我所遵循的不同(准确地说，更低)。
我的问题是，模型的准确性是否因系统而异.
我是在window 10 pc上运行的，带有amd处理器(CPU只进行训练)。
浏览 3提问于2020-10-15得票数 0
1回答
在变尺寸图像中检测固定大小的对象
、、、、
神经网络可以训练来识别一个物体，然后检测该物体在图像中的出现，而不管它们的位置和表观大小。在PyTorch中这样做的一个例子是在
正如案文所述，
大多数代码处理图像大小调整为416 of平方，同时保持其纵横比和填充溢出。
因此，模型总是处理416 is图像，无论是在训练中还是在实际的目标检测中。检测到的对象，仅仅是图像的一部分，通常小于416 to，但这是可以的，因为模型已经被训练成以比例不变的方式检测模式。唯一固定的是输入图像的像素大小。
我正在研究一种有必要进行反向操作的上下文:训练以检测固定大小的模式，然后在可变大小的图像中检测它们。例如，训练以检测模式10 is平方，然后在一个
浏览 1提问于2020-11-16得票数 0
回答已采纳
3回答
我正在训练这个问题底部链接的Keras对象检测模型，尽管我认为我的问题既不涉及Keras，也不涉及我试图训练的特定模型(SSD)，而是与在培训期间数据传递给模型的方式有关。
这是我的问题(见下图)：我的训练损失总体上正在减少，但它显示出有规律的尖峰：
X轴上的单位不是训练时代，而是几十个训练步骤.尖峰精确地每1390个训练步骤发生一次，这正是我的训练数据集上一次完全通过的训练步骤的数量。
每次通过训练数据集后都会出现尖峰，这一事实使我怀疑，问题不在于模型本身，而在于它在培训期间提供的数据。
在培训期间，我使用生成批处理。我检查了生成器的源代码，它在每次使用sklearn.utils.
浏览 6提问于2017-12-15得票数 23
回答已采纳
2回答
我正在尝试检测照片中的植物，我已经用植物标记了照片(使用labelImg)，但我不知道如何训练只有背景照片的模型，以便当这里没有植物时，模型可以告诉我。是否需要将标签框设置为图像的大小？
附注：我是新手，所以请不要粗鲁。)
浏览 0提问于2020-11-02得票数 0
1回答
车牌OCR
、、
是否有任何经过预先培训的模型或注释数据可用于车牌检测？我看过一些场景，但大多数都很小。我对类似刺激的品质更感兴趣。
是否有任何新的预先训练的模型为OCR？很明显，请不要在答案中包括tesseract。我试过很多次了，但结果总是很差。最好，它必须能够从仪表盘上读取车牌号码。
你好，皮奥特·拉鲁斯
浏览 0提问于2020-03-18得票数 0
我正在训练一个做图像字幕的模型。我注意到我的模型在第一个时期获得了非常高的训练精度(大约89%)以及验证精度。实际上，训练精度从第一个时期的开始就处于一个非常高的水平，它从%60左右开始，很快就上升到%80。这对我来说没有意义，因为模型学习非常快，一开始就有很高的准确性。
浏览 15提问于2018-08-02得票数 0
回答已采纳
我正在尝试训练一个SSD移动网络探测器来检测显微图像中的细胞核。我在Ubuntu 16.04上使用tensorflow对象检测API和tensorflow (1.4版)的GPU实现。我的输入图像是带有注释的细胞核的256x256 RGB jpg瓦片。
当我开始训练时，我看到mAP有了很好的增加，在大约6k全局步长(批量大小为12)时，我可以检测到大多数细胞核，但也有一些多次检测到相同的细胞核。
奇怪的是，在这一点之后，mAP开始下降，即使TotalLoss继续下降，模型检测到的细胞核也越来越少。在100k步，几乎没有检测到原子核。
我对SSD使用标准的配置文件，只是我降低了匹配/不匹配的边界。
浏览 12提问于2018-02-03得票数 8
回答已采纳
1回答
理解MaskRCNN注解给料
、、、、
我目前正在使用Matterport MaskRCNN进行一个对象检测项目。
作为工作的一部分，是检测一个绿色叶跨越白色网格。到目前为止，我已经用这样的方式定义了注释(多边形)，使得跨越网络的 (并给出白色-绿色-白色模式)被认为是一个有效的注释。
但是，当将上述定义从单交叉注释更改为多个交叉(一次跨越多个页面)时，我开始在测试阶段看到模型性能严重下降。
这就提出了我的问题--两者之间唯一的区别在于注释的大小。所以：
在MaskRCNN的培训中，下列哪一项对学习影响更大--模式、还是size？
如果这种模式有影响力，那就更好了。因为我们的目标是找出一个交叉口。相反，如果注释的大小是影响者
浏览 6提问于2021-12-15得票数 1
回答已采纳
在那个人工神经网络中，我是机器学习的新手。我在R中使用nnet软件包进行神经网络的训练。模型参数和超参数有什么区别？我听说在我们设置模型参数之前就设置了超参数。人工神经网络的超参数和模型参数是什么？即是否在神经网络训练阶段调整超参数，在验证阶段调整模型参数？
浏览 0提问于2017-03-16得票数 3
使用照片拼贴(一张图像中的多张照片)作为数据集，而不是使用单个图像来训练对象检测SSD模型是否正常/更好？
我正在使用Tensorflow对象检测API来建立一个SSD模型来识别和检测不同的叶子疾病。我的数据集由256x256树叶(植物村数据集)组成，我希望我的模型能够被训练来检测多个不同大小的对象(大多数叶子几乎和图像本身一样大--这给小对象带来了不好的准确性)，所以我考虑将这些图片组合到拼贴图中，在每张图片中包含几个叶子，并用以下方式创建一个数据集，对于每个标签，我将使用单个叶图像、4个叶图像(2x2拼贴)和9个图像(3x3拼贴)。你认为它会给多目标检测提供更好的结果吗?还是应该停留在单一
浏览 0提问于2020-08-20得票数 1
2回答
我遇到了一个对象检测问题，我的数据由带有边界框的图像组成。我已经回顾了几个最先进的对象检测网络()，并且很难看到实例分割和对象检测是从哪里开始的。
我正试图找出，如果通过边框注释的数据进行训练，什么才是最好的呢？像掩码R-CNN这样的东西会比速度更快的R-CNN表现得更好吗?还是这种性能提升要求我的所有数据在像素级别上被分割，而不是在微调之前用边框注释？如果在边框上训练，没有分割的数据，蒙版R会比R表现得更快吗？我知道你可以用掩码R进行包围盒推断，但是你能在没有像素级分割的情况下训练模型吗？什么是最先进的目标检测，不需要训练像素级分割？
浏览 2提问于2019-10-03得票数 1
我用OD-API训练模型。我有两个问题，关于如何处理背景图像和图像的相同对象标记了两次(或更多)不同的标签名称，以及如何使用和。
1-当图像没有地面真相盒(背景图像)时，我们是否会为它们生成锚盒，以防止使用fRCNN (或SSD的默认框)，即使我们没有GT框？还是整个形象在这种情况下都会是一个负面的例子？
2-当图像有两个(或更多) GT框，它们具有相同的坐标，但标签名称不同时，这是否会在与Anchor框(或SSD的默认框)匹配时产生问题？就像只有一个GT盒会在这里匹配？
我会很高兴有任何帮助，我试着阅读报纸，教程和书籍，但找不到答案，或者我可能遗漏了什么。关于问题2，安德鲁·吴教授在这篇关于
浏览 2提问于2020-06-17得票数 0
回答已采纳
1回答
我有一个由10k-15k图片组成的数据集，用于监督目标检测，这与Imagenet或Coco有很大的不同(图片更暗，代表完全不同的事物，与工业有关)。
目前使用的模型是一个FasterRCNN，它以Resnet作为主干提取特性。能否从一个阶段从零开始训练模型的骨干，然后在另一个阶段对整个网络进行训练，而不是将预先训练好的网络加载到Coco上，然后在一个阶段对整个网络的所有层进行再培训？
浏览 0提问于2021-01-31得票数 0
回答已采纳
我正在探索tensorflow的目标检测算法。
在培训之前，我必须在培训数据集图像中标记项目周围的框。这被灌输到训练中。在tensorflow的目标检测算法中，盒外的环境(环境)是否重要？还是仅基于标记框内的内容进行培训？
浏览 0提问于2022-08-04得票数 0
回答已采纳
2回答
对抗性训练和测试
、、
也许这更多的是一个概念上的问题，但我希望你能给我你的意见。我确实理解对抗性训练意味着在训练过程中引入一些损坏的实例，以便在测试时混淆模型并产生错误预测。然而，这个模型是否适用于以下场景？：让我们假设创建了一个敌对补丁，以欺骗检测停车标志的分类器，因此在存在此补丁的情况下，正常的对象检测器将无法区分真正的停车标志。但是，如果模型同时训练带有和没有补丁的两个实例，情况会怎样呢？对于对象分类器，这并不是很难执行，并且攻击失去了所有成功的机会，对吧？我不明白为什么这些攻击可以成功，如果对于模型来说，只需要稍微多一点的训练就可以包括这些对抗性样本。
浏览 99提问于2019-05-22得票数 0
1回答
如何在不同大小的图像上训练模型。我的模型包含输入图像大小(None，None，3)。但是如何在不同的图像大小上训练模型呢？ 注意:我的目标是使用深度学习执行图像压缩。一种考虑了编解码器的自动编码器。
浏览 50提问于2019-05-19得票数 0
1回答
目前所需经费如下：
1.输入图像是由1440x1080摄像机拍摄的图像。
2.图像上只有两个检测目标，分别约为40×40像素和16×16像素。
当yolov7训练时，“image_size”参数只告诉它原始图像的大小，模型仍然将图像缩放到480x480 (如果像素不够的话用灰度像素完成)，然后再进行训练，我的目标已经足够小了，再次缩放使它难以分辨。
是否有任何方法使模型以1440x1080 (或1440x1088为32的倍数完成时)的本地分辨率进行训练？
浏览 12提问于2022-08-18得票数 0
1回答
边界框回归
、、
我有大约100K张尺寸为1024x1024的X射线照片。其中只有约970个具有预先存在的边界框坐标。我正在以70:30的训练和测试比率训练模型。我的问题是，如果其余的图像没有边界框，我如何训练模型？由于我不是医学专家，我不能手动在图像周围绘制边界框。有14个类，手动绘制边界框变得非常困难
浏览 11提问于2020-01-18得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
云直播
对象存储活动推荐
腾讯云开发者
