关于目标检测中正负样本的理解
一开始学习时我没有太关注正负样本的问题,我以为正样本就是标注好的GT box,然而学到后面发现有很多的区别正负样本的方法,我才知道自己理解错了。正例是用来使预测结果更靠近真实值的,负例是用来使预测结果更远离除了真实值之外的值的。
看了好几篇博文之后我大概有了一些基础的理解,在分类问题中,对于狗这一类来说,所有标签为狗的图片都是狗类的正样本,其他的图片都是负样本,正负样本也就是所有图片都进入损失函数进行梯度下降。而在目标检测中的位置回归的问题中就不适用了,因为不能将所有的预测框都进入损失函数进行计算,这样的话就太多了,参数量太大。所以一般将与GT box的IOU大于某个阈值的预测框作为正样本,小于某个阈值作为负样本,得先将正负样本选择出来,再进行损失函数的计算。
分类场景:
mnist数字分类为例,如果一张图是数字3,对于类别“3”这张图是正样本,对于其他九类来说就是负样本。
猫狗分类,label=dog 的所有图片都是 这个类的正样本,其他图片作为负样本,同理,label=cat 的所有图片都是 这个类的正样本,其他图片作为负样本
人脸识别中,也没必要准备大量负样本图片,可以从拍摄的图片中生成负样本,但是需要注意,如果你要进行教室中学生的人脸识别,那么负样本就是教室的窗子、墙等等,也就是说,不能是与你要研究的问题毫不相关的乱七八糟的场景图片,这样的负样本并没有意义,要考虑模型的使用场景,否则效果会影响。
检测场景:
我理解检测场景区别与分类的情况,检测需要人工打标签,分类是不用的。检测问题需要做的事情是指出哪里有什么,也就是既要给出框,又要说明框中是什么,在这种情况下,我们所具备的数据就是一些人工标注的图片,这些图片上有框,并且会给出框中的物体类别,我们需要运用这些数据生成训练中的正负样本数据,参考了faster以及SSD两种检测框架中对于正负样本的选取准则,包括古典类型的目标识别,我的理解正负样本如下:
正样本: 就是那些手工标记的ground truth区域作为正样本;
负样本: 使用选择搜索(Selective Search)方法对区域进行融合--> 计算每个候选区域与真实标记区域ground truth之间的重合,如果区域A与ground truth的重合度在20-50%之间,而且A与其他的任何一个已生成的负样本之间的重合度不大于70%,则A被采纳为负样本,其实就是根据预测框和真实框的IoU值来判断:1.和每一个gt的重叠比例IoU最大的那个bbox是正例(一张图会有很多gt) 2.对于任意的bbox和任意gt的IoU的比例大于0.7就是正例 3.对于任意的bbox和任意gt的IoU的比例小于0.3就是负例
关于目标检测中正负样本的理解相关推荐
- 纯量产经验 | 谈谈目标检测中正负样本的问题
作者 | Mr.Jian 编辑 | 汽车人 原文链接:https://zhuanlan.zhihu.com/p/563196861 点击下方卡片,关注"自动驾驶之心"公众号 A ...
- 综述:解决目标检测中的样本不均衡问题
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者丨SFXiang 来源丨AI算法修炼营 编辑丨极市平台 极市导 ...
- 目标检测中的样本不平衡处理方法——OHEM, Focal Loss, GHM, PISA
GitHub 简书 CSDN 文章目录 1. 前言 2. OHEM 3. Focal Loss 3.1 Cross Entropy 3.2 Balanced Cross Entropy 3.3 Foc ...
- 目标检测中的性能提升方法综述
文章目录 一.多尺度检测 1.什么是多尺度检测? 2.降低下采样率与空洞卷积 3.多尺度训练 4.优化Anchor尺寸训练 5.深层与浅层特征融合 6.SNIP,尺度归一化 7.TridentNet, ...
- 目标检测中如何定义正负样本,和正负样本在学习过程中loss计算起的作用
如何定义正负样本,和正负样本在学习过程中loss计算起的作用 正负样本定义 分类和回归head如何学习和利用划分后的正负样本(loss如何计算) 正负样本在分类中loss计算的处理 正样本在bbox ...
- 堪比Focal Loss!解决目标检测中样本不平衡的无采样方法
训练目标检测模型的一个难点是样本不均衡,特别是正负样本比例严重失衡.目前解决这类问题主要是两种方案(见综述Imbalance Problems in Object Detection: A Revie ...
- 对于目标检测中mAP@0.5的理解
文章目录 前言 mAP@0.5 AP是Precision-Recall Curve(PRC)下面的面积!!! 理一下思路 参考 前言 一直不是很理解目标检测中的mAP是如何的,今天具体来写一下,加深一 ...
- 关于目标检测中bounding box编码和解码时weight参数的理解
关于目标检测中的Bounding box回归原理网上已经有很多解释的文章了,但是为了更好的阐述我的问题,一开始我还是先简单的过一下边框回归的基本原理,然后解释我在看源码时遇到的一点疑惑,最后分享一下在 ...
- 目标检测中的Tricks
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 来自 | 知乎 作者 | roger 链接 | https: ...
最新文章
- 【android】android中activity的生命周期
- node 压缩图片_1Mb压缩成100k,图片无损压缩我选择它
- 2021年3月程序员工资统计数据出炉,又拖后腿了……
- 更改mssql数据库的名字
- http://www.myeclipseide.com/ 官网打不开的问题(转)
- 激发你的灵感:16个精美视差效果网页设计作品
- 【Spring第五篇】Autowired:自动装配
- mysql 分库外置索引,MySQL的分库分表与Innodb的Btree索引
- Air202学习 三 (模块串口使用)
- bootstrap可视化布局(免费,自定义,方便下载)网页自定义,后台、前端页面自定义
- linux 脚本 过滤 词,linux学习之shell脚本 - 文本过滤
- newton插值公式
- 灌注和宝石性道法价比分析
- Elasticsearch 之(6)kibana嵌套聚合,下钻分析,聚合分析
- linux休眠唤醒后qt无法启动,Ubuntu 18.04 休眠后无法唤醒的解决办法
- 【历史上的今天】11 月 16 日:RISC-V 掌门人出生;微软发布 Windows CE;电子管问世
- 【TcaplusDB君】 行业新闻汇编(5月25日)
- FleaPHP 的 Ajax 支持和 WebControls
- Python运用urllib2和BeautifulSoup爬取网站ZOL桌面壁纸上的精美电脑壁纸
- 解决U盘出现exe文件