本文探讨了深度学习在目标检测中的应用，特别是阈值设置如何影响召回率。介绍了fasterrcnn、SSD和retinanet等基于anchor的检测模型，并强调了特征金字塔FPN的重要性。同时，提到了负样本挖掘策略，如选择高损失的负样本进行训练。此外，还讨论了针对小尺度人脸检测的优化方法。
recall.
针对小尺度人脸的特点，在框架策略、数据增广、损失函数等方面进行针对性改进
Detectron2框架：支持物体检测、实例分割、姿态估计、语义分割、全景分割等
自己设计anchor的大小、长宽比，这些都是超参数，也是模型的缺点
下采样的stride，就是anchor的铺设间隔
难负样本挖掘：
8732个anchor，大部分都是负样本， 负样本的loss从大到小排列，选择前面loss大的
2021-04-12CAM相关
recall.
自己设计anchor的大小、长宽比，这些都是超参数，也是模型的缺点
下采样的stride，就是anchor的铺设间隔
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
