精华内容
下载资源
问答
  • 正样本和负样本

    千次阅读 2019-07-29 20:43:51
    视觉任务中,有分类和目标检测等问题。 例如将图片中人除人之外的东西分开,那么人就是所谓正样本,除人之外的东西就是负样本

    视觉任务中,有分类和目标检测等问题。

    例如将图片中人和除人之外的东西分开,那么人就是所谓正样本,除人之外的东西就是负样本。

    展开全文
  • 目标检测中的正负样本

    万次阅读 多人点赞 2018-05-07 14:20:10
    在做目标检测任务时对其中的正负样本不太清楚,看了很多资料,发现这篇博客解释的比较清晰,下面图片也出自上述博客。 以人脸识别为例,如果你的任务是识别教室中的人脸,那么负样本的选取应该是教室中的窗户、椅子...

            在做目标检测任务时对其中的正负样本不太清楚,看了很多资料,发现这篇博客解释的比较清晰,下面图片也出自上述博客。

           以人脸识别为例,如果你的任务是识别教室中的人脸,那么负样本的选取应该是教室中的窗户、椅子、墙、人的身体、衣服颜色等等,而不是天空、月亮这些对本任务没有帮助的场景。当然,如果不确定应用环境,那么应该选取尽可能有不同光照不同环境的自然图像作为负样本。

           个人理解的正样本就是任务所要检测的目标物,比如在人脸识别中不同种族年龄的人脸、不同表情的人脸、戴不同装饰的人脸等等情况下的人脸;而负样本则是目标物所处的不同背景(注意:此背景不包含人脸),比如人脸会出现在不同环境中,街道、室内总之所有能想到的环境中都有可能出现人脸哈哈,负样本就是这些不包含人脸的图片,如果需要很多负样本,则可以把这些不包含人脸的图片裁剪成所需图片大小。

           参考faster以及SSD两种检测框架中对于正负样本的选取准则,首先,检测问题中的正负样本并非人工标注的那些框框,而是程序中(网络)生成出来的ROI,也就是faster rcnn中的anchor boxes以及SSD中在不同分辨率的feature map中的默认框,这些框中的一部分被选为正样本,一部分被选为负样本,另外一部分被当作背景或者不参与运算。不同的框架有不同的策略,大致都是根据IOU的值,选取个阈值范围进行判定,在训练的过程中还需要注意均衡正负样本之间的比例。在fast的框架中,也是需要多SS算法生成的框框与GT框进行IOU的判断,进而选取正负样本,总之,正负样本都是针对于程序生成的框框而言,而非GT数据。

    一个小技巧:在训练检测网络时,若已经训练出一个较好的检测器,在用它进行测试时,还会有一些误检,这时可以把误检的图像加入负样本中retrain检测网络,迭代次数越多则训练模型越好

        

    展开全文
  • 0 前言 OHEM是CVPR2016的文章,它提出一种通过online hard example mining 算法训练Region-based Object Detectors,其优点: 1.对于数据的类别不平衡问题不需要...当我们遇到数据集少,且目标检测positive proposa...

    0 前言

    OHEM是CVPR2016的文章,它提出一种通过online hard example mining 算法训练Region-based Object Detectors,其优点:
    1.对于数据的类别不平衡问题不需要采用设置正负样本比例的方式来解决,这种在线选择方式针对性更强。
    2.当数据集增大,算法可以在原来基础上提升更大。
    当我们遇到数据集少,且目标检测positive proposal少时,一般实验效果会不如人意,咱们可以试试OHEM这个trick,也许可以带来不错的效果。

    1 相关工作

    Hard example mining:主要有2种参见Hard example mining算法,优化SVM时候的算法和非SVM时的利用。
    在优化SVM中使用Hard example mining时,训练算法主要维持训练SVM和在工作集上收敛的平衡迭代过程,同时在更新过程中去除一些工作集中样本并添加其他特殊的标准。这里的标准即去掉一些很容易区分的样本类,并添加一些用现有的模型不能判断的样本类,进行新的训练。工作集为整个训练集中的一小部分数据。
    非SVM中使用时,该Hard example mining算法开始于正样本数据集和随机的负样本数据集,机器学习模型在这些数据集中进行训练使其达到该数据集上收敛,并将其应用到其他未训练的负样本集中,将判断错误的负样本数据(false positives)加入训练集,重新对模型进行训练。这种过程通常只迭代一次,并不获得大量的再训练收敛过程。

    2 Online Hard example mining

    OHEM算法的核心是选择一些hard example作为训练的样本从而改善网络参数效果,hard example指的是有多样性和高损失的样本。
    hard example是根据每个ROI 的损失来选择的,选择损失最大的一些ROI。但是这里有一个问题:重合率比较大的ROI之间的损失也比较相似。因此这里作者采用NMS(non-maximum suppresison)去除重合率较大的ROI,这里作者给的阈值是当IOU大于0.7就认为重合率较高,需去除。
    注意,这里作者没有采用设定背景和目标样本数的比例方式处理数据的类别不平衡问题。因为如果哪个类别不平衡,那么这个类别的损失就会比较大,这样被采样的可能性也比较大。
    论文中把OHEM应用在Fast R-CNN中具体参看博文,是因为Fast R-CNN相当于目标检测各大框架的母体,很多框架都是它的变形,所以作者在Fast R-CNN上应用很有说明性。

    2.1 Fast R-CNN框架简述

    在这里插入图片描述
    简单的说,Fast R-CNN框架是将224×224的图片当作输入,经过conv,pooling等操作输出feature map,通过selective search 创建2000个region proposal,将其一起输入ROI pooling层,接上全连接层与两个损失层。

    2.2 OHEM应用于FRCNN

    在这里插入图片描述

    作者将OHEM应用在Fast RCNN的网络结构,如上图。这里包含两个ROI network,上面一个ROI network是只读的,为所有的ROI在前向传递的时候分配空间。下面一个ROI network则同时为前向和后向分配空间。
    首先,ROI经过ROI plooling层生成feature map,然后进入只读的ROI network得到所有ROI的loss;然后是hard ROI sampler结构根据损失排序选出hard example,并把这些hard example作为下面那个ROI network的输入。
    实际训练的时候,每个mini-batch包含N个图像,共|R|个ROI,也就是每张图像包含|R|/N个ROI。经过hard ROI sampler筛选后得到B个hard example。作者在文中采用N=2,|R|=4000,B=128。
    另外关于正负样本的选择:当一个ROI和一个ground truth的IOU大于0.5,则为正样本;当一个ROI和所有ground truth的IOU的最大值小于0.5时为负样本。
    总结来说,对于给定图像,经过selective search RoIs,同样计算出卷积特征图。但是在绿色部分的(a)中,一个只读的RoI网络对特征图和所有RoI进行前向传播,然后Hard RoI module利用这些RoI的loss选择B个样本。在红色部分(b)中,这些选择出的样本(hard examples)进入RoI网络,进一步进行前向和后向传播。

    原文链接:深度学习不可忽略之OHEM:Online Hard Example Mining

    展开全文
  • 目标检测带标签样本增广工具

    千次阅读 2018-09-15 16:16:20
    本工具主要用于基于图像的目标检测样本增广。源标注文件为xml文件,采用voc标准标注格式,如下 样本增广工具主要实现resize、rotate、crop、flip、mosaic的一个或多个组合变换,并生成变换后的图像及对应的xml...

    github:https://github.com/XuelianZ/augment

    本工具主要用于基于图像的目标检测样本增广。源标注文件为xml文件,采用voc标准标注格式,如下

    样本增广工具主要实现resize、rotate、crop、flip、mosaic的一个或多个组合变换,并生成变换后的图像及对应的xml标注文件。同时还提供一个显示功能,用于检验标注框的准确性。该工具适用于批量样本生成。以下为使用示例:

    源样本

    1.resize

    支持指定放缩和比例放缩

    2.rotate

    支持任意角度旋转,并使用背景图填充边缘。有指定旋转角度模式和随机旋转模式。支持旋转过程中放缩。

    3.crop

    支持'RANDOM_CROP','CENTER_CROP','FIVE_CROP'三种模式,'RANDOM_CROP'模式下可任意指定crop图片数。

    4.flip

    支持水平、垂直、水平垂直3种翻转模式

    5.Mosaic

    对源数据集中样本进行随机组合变换后生成拼图样本。特别适用于伪造小目标样本

    6show

    显示功能,自动分配不同颜色显示不同目标类别

     

    展开全文
  • 一直在复习期末考试,没能及时的将整个检测过程写来了...下面就开始啦,整个检测过程主要是这样的 :样本处理—>训练分类器—>目标检测。 一:样本的处理 1:正样本的处理。正样本,也就是我们包含需要检测的目标的样本
  • 目标检测 样本不平衡

    千次阅读 2020-04-09 16:47:32
    YOLOSSD可以算one-stage算法里的佼佼者,加上R-CNN系列算法,这几种算法可以说是目标检测领域非常经典的算法了。这几种算法在提出之后经过数次改进,都得到了很高的精确度,但是one-stage的算法总是稍逊two-stage...
  • 关于ADABOOST人脸检测负样本的选取

    千次阅读 2014-10-29 16:03:44
    其他人脸检测方法,负样本需要的数量我不清楚,但是ADABOOST所需负样本数量非常之大。在训练层数后期,当最大误警率很低,如2*10-5次方,同时参与训练的负样本为4000时,那么需要的负样本就要2*10^8。解决的方法是自...
  • 一般one stage目标检测模型存在正负样本数量不均衡问题,基于此Focal Loss for Dense Object Detection一文提出Focal loss计算方法用于解决样本不平衡问题。
  • 可以看出这种default box在不同的feature层有不同的scale,在同一个feature层又有不同的aspect ratio,因此基本上可以覆盖输入图像中的各种形状大小的object! 三. 正负样本   ...
  • 目标检测中的正负样本的理解

    千次阅读 热门讨论 2019-09-01 16:14:09
    ** 目前许多人在看相关目标检测的论文时,常常误以为正样本就是我们手动标注的GT,这个理解是错误的,正确的理解是这样的,看官请看:** 首先,正样本是待检测的目标,比如检测人脸时,人脸是正样本,非人脸则是...
  • 目标检测正样本:所识别的目标物体。 负样本:一张图片中除目标物体的其他部分。 难样本:误报样本(正报、物体1报物体2)。 易样本:正确识别的样本。 语音: 语音识别: 正样本:一条语音正确对应...
  • 正负样本不均衡问题一直是One-stage目标检测中被大家所诟病的地方,He Keming等人提出了Focal Loss来解决这个问题。而AAAI2019上的一篇论文《Gradient Harmonized Single-stage Detector》则尝试从梯度分部的角度,...
  • 基于two-stage 的目标检测和基于 one-stage 的目标检测;其中two-stage 的目标检测速度,但准确率低;two-stage 的目标检测速度慢但准确率高,但是目前主要用的还是two-stage 的目标检测样本包括哪些类别呢? ...
  • 目标检测有大量的算法,这篇文章对其中正负样本的选取方法进行了总结。对于正样本,是回归与分类都进行,而负样本由于没有回归的对象,不进行回归,只进行分类(分类为背景)。 二、正文 1.Fast R-CNN 构造如下:...
  • 论文提出了新的少样本目标检测算法,创新点包括Attention-RPN、多关系检测器以及对比训练策略,另外还构建了包含1000类的少样本检测数据集FSOD,在FSOD上训练得到的论文模型能够直接迁移到新类别的检测中,不需要...
  • Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重,也可理解为一种困难样本挖掘。 2. 损失函数形式 Focal loss是在交叉熵损失函数...
  • 喜欢就关注我们吧!随着CVPR 2020论文结果的公布,我们也将紧跟CVPR的步伐为大家带来一系列论文的解读。今天为大家解读的是一篇来自中科大京东研究院关于目标检测的论文《Learn...
  • 目标检测中数据增强的方法——mixup:针对小样本样本量不足的情况下,我们通常会采用mixup或者填鸭式的方法来进行数据增强。其中mixup是将正负样本融合成新的一组样本,使得样本量翻倍。填鸭式是将原本样本里的...
  • 本文根据Hanzi Wang等人的论文“Background subtraction based on a robust consensus method ”结合自己的理解而成,如果对论文...在文中,作者提出了一种基于统计的高效自适应的运动目标检测算法。该算法被称为SACO
  • 目标检测】Faster RCNN算法详解

    万次阅读 多人点赞 2016-04-21 15:08:06
    继RCNN,fast RCNN之后,目标检测界的领军人物Ross Girshick在2015年提出faster RCNN。目标检测速度达到15fps。
  • 目标检测】RCNN算法详解

    万次阅读 多人点赞 2016-04-05 23:10:36
    深度学习用于目标检测的RCNN算法
  • 对于一个目标的特征,ASDN将尝试生成一个掩码,指示要丢弃的特征的哪些部分(分配零),以便检测器无法识别目标。对抗空间变换网络(ASTN) 我们现在介绍对抗空间变换网络(ASTN)。我们的关键思想是在目标特征上...
  • GTNet:用于零样本目标检测的生成迁移网络 摘要: 提出了一种用于零样本目标检测的生成迁移网络(GTNet)。GTNet由目标检测模块知识迁移模块组成。目标检测模块可以学习大规模的已知领域知识;知识迁移模块利用...
  • 众所周知,在计算机视觉识别任务中,对训练样本进行增广是非常重要的,可以减少过...比如在目标检测的任务中,将目标的图像随机复制粘贴到其他背景图像中,形成人造的含有目标的样本。 来自ECCV2018的论文《Model...
  • 睿智的目标检测20——利用mAP计算目标检测精确度

    万次阅读 多人点赞 2020-03-06 17:12:48
    睿智的目标检测20——利用mAP计算目标检测精确度学习前言GITHUB代码下载知识储备1、IOU的概念2、TP TN FP FN的概念3、precision(精确度)recall(召回率)4、概念举例5、单个指标的局限性什么是AP绘制mAP ...
  • 来源 | 微软研究院AI头条(ID: MSRAsia)编者按:目标检测与目标跟踪这两个任务有着密切的联系。针对目标跟踪任务,微软亚洲研究院提出了一种通过目标检测技术来解决的新视角,采用简...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 60,075
精华内容 24,030
关键字:

目标检测正样本和负样本