小目标检测,多尺度目标检测问题的局限性在哪里?

“多尺度”目标检测问题在目标检测任务中，目标的大小往往不固定，自动驾驶相关的检测任务可能需要同时检测大货车和小狗；与工业质量检验相关的检验任务可能需要同时检测布料的大面积撕裂和小穿孔；医学损伤检测的任务可能需要同时检测不同大小的损伤。其局限性体现在以下几个方面:第一，目标试题多针对三维目标中知识、能力、价值观的达成，部分试题可以检测情绪、态度、价值观的达成，但基本无法评价过程方法的达成。

学习yolo的方法如下:学习目标知道yolo网络架构，其输入输出，yolo模型的训练样本构造方法，yolo模型的损失函数，yoloV2模型的改进方法，yoloV3的多尺度检测方法，yoloV3模型的网络结构和网络输出，yoloV3模型的先验框架设计方法，yoloV3模型为什么适合多标签目标分类。

1.yolo算法Yolo算法使用单独的CNN模型实现endtoend的目标检测。核心思想是以整张图片作为网络的输入，在输出级直接返回boundingbox的位置及其类别，以及整个系统。首先，将输入的图片大小调整为448x448，然后发送到CNN网络。最后，对检测出网络预测结果的目标进行处理。

GitHubCSDN当前。计算机视觉中性能最好的目标检测方法有两种:一步法和二步法。两阶段法分为两个步骤。第一步是候选区域生成阶段，并且可以通过诸如选择性搜索和边缘框之类的方法来生成相对少量的候选目标检测帧。第二步是分类回归阶段，对第一阶段生成的CandiateProposal进行分类回归。

快速CNN .一步法直接对大量的候选图像进行分类和回归。这两种方法都存在一个类别不平衡的问题。两阶段法通过第一步将等价候选区域缩小到了一个更小的范围，同时在第二步通过一些启发式原则在一定程度上降低了正负样本的比例。

RoI是RegionofInterest的简称，指的是一张图片的“感兴趣区域”。它用于RCNN系列算法。输入图像通过卷积网络得到特征映射后，通过选择性搜索或RPN算法得到多个目标候选帧。这些候选帧在特征图上以输入图像作为参考坐标的映射区域在目标检测中被称为RoI。RoIPooling的流程如上图所示，计算细节有两个问题:问题1。如何在featuremaps上以输入图片为参考坐标映射候选框？

姓名:宋学号:【埋牛入门】:目标识别的分析【埋牛鼻子】:RNN【埋牛问题】:RNN如何应用于计算机视觉中的目标检测？深度学习在计算机视觉领域取得了很大进展。近年来，CNN一直是主流模式所采用的框架。最近半年，RNN/LSTM的应用逐渐成为识别领域的一种趋势，在获取目标方面，RNN比CNN有着独特的优势。

1.InsideOutsideret:detecting objectsincontext with skippooling和currentNeural Networks CVPR 2016(论文笔记)本文的主要贡献是使用了skip pooling和RNNlayer。在多尺度特征图上做roipooling，最后的特征图是通过rnn得到的。