YOLO如何計算P（對象）

目前我正在測試用於物體檢測的yolo 9000模型，並且在論文中，我瞭解圖像是在13X13框中分割的，並且在每個框中我們計算P（對象），但我們如何計算？該模型怎麼能知道是否有這個boxe或不是對象，請我需要幫助理解YOLO如何計算P（對象）

因爲他們在paper（第2頁提到我使用tensorflow

感謝，

來源

2017-04-11 Kamel BOUYACOUB

我也在尋找這個。沒有太多的解釋。另外，他們計算p（類/對象）。在quora會話中有一個很好的解釋https://www.quora.com/How-do-Multi-Object-detection-with-YOLO-Real-time-CNN-works。 –

第2節）自信得分= P（對象）* IOU。但在該段中他們提到，如果有一個對象，那麼自信得分將是IOU，否則爲零。所以這只是一個指導方針。

來源

2017-04-28 19:21:05

我明白，但我不知道如何只用圖像中的一個小區域，以及如何提取特徵的小區域，細胞可以對這個區域進行分類？ –

我把它當作滑動窗口操作。在這裏你將你的原始圖像分成49個方格。基本事實是從原始圖像中獲得的。但要預測的特徵將通過最後一個conv層得到，它是7 * 7 –

但這是爲了訓練，如果我們給出一個未知圖像，並且將它傳遞給網絡，那麼下一層將會提取然後將圖像分爲7X7，但是這裏我們沒有地圖真實性，所以只需要很小的特徵，他如何能夠生成一個尺寸比細胞大的物體，請給我更多的細節？ –

他們訓練的信心分數= P（對象）* IOU。對於地面真值盒，它們取P（物體）= 1，對於其餘的網格像素，地面真值P（物體）爲零。您正在訓練您的網絡，告訴您網格位置是否有對象，即如果不是對象則輸出0，如果是部分對象則輸出IOU，如果對象存在則輸出1。因此，在測試時間，您的模型已經能夠判斷在該位置是否有對象。

來源

2017-06-08 10:45:56

有13x13個網格單元格爲true，但計算每個5x13x13錨點框的P（對象）。從YOLO9000紙張：

當我們移動到錨箱時，我們也將類預測機制與空間位置分離，而是預測每個錨箱的類和對象。

我還不能評論，因爲我是新來的，但如果你想知道測試時間，它的工作方式就像RPN。在每個網格單元格中，5個錨點框分別預測一個邊界框，該邊界框可以大於網格單元，然後使用非最大抑制來挑選頂部的幾個框以進行分類。 P（對象）只是一個概率，如果網絡中真的存在或不存在，網絡不會「知道」。

您還可以查看region_layer.c中forward_region_layer方法的源代碼，並跟蹤如何計算損失（如果感興趣）。

來源

2017-08-03 06:11:58 SamShady

YOLO如何計算P（對象）

回答

相關問題