机器学习算法大全

1、研究背景 论文: https://arxiv.org/pdf/1809.08545.pdf NMS通过类别预测分数和bbox对所有的框进行后处理，最终决定目标检测模型的预测结果。在实际的后处理中，

论文: https://openaccess.thecvf.com/content_ICCV_2017_workshops/papers/w14/Zhou_CAD_Scale_Invariant_IC

two-stage： two-stage算法会先使用一个网络生成proposal，如selective search和RPN网络， RPN出现后，ss方法基本就被摒弃了。RPN网络接在图像特征提取网络

RCNN会从一张图片中找出n个可能是物体的矩形框，然后为每个矩形框为做类别分类概率: 就像上面的图片一样，定位一个车辆，最后算法就找出了一堆的方框，我们需要判别哪些矩形框是没用的。非极大值抑制的方法是

相同点: 两者在降维时都使用了特征分解的思想 ，PCA主要是从特征的协方差角度，去找到比较好的投影方式。LDA更多的是考虑了标注，即希望投影后不同类别之间数据点的距离更大，同一类别的数据点更紧凑。 两

论文: https://arxiv.org/pdf/1704.04503.pdf 1: 研究背景 经典的NMS使用阈值的方式对iou过大的框进行抑制，也就是当IOU高于阈值时，相应框的分数会被直接置0

在一些情况下，我们希望概率分布中的所有质量都集中在一个点上。这可以通过 Dirac delta函数 δ(x)定义概率密度函数来实现： $$ p$(x)=δ(x−μ) $$ Dirac delta函数被

论文：https://arxiv.org/abs/1807.11590 代码：https://github.com/vacancy/PreciseRoIPooling 背景 在一般检测的框架中, 添加

论文 https://arxiv.org/pdf/1911.08287.pdf 背景 DIoU-NMS出现于Distance-IoU一文，研究者认为若相邻框的中心点越靠近当前最大得分框M的中心点，则其

1. IOU和GIOU损失 边界框回归（Bounding Box Regression**）是物体检测中重要的一项任务，之前大部分的物体检测模型是直接对边界框的位置（中心点）和大小（宽和高）进行回归，

数据不足：数据增强（剪切，旋转，缩放，翻转等） 模型能力不足：用更好的 backbone 目标检测中的 NMS 算法也会导致漏检和误检，比如阈值设置不一定合理，导致过滤的边界框过多，导致漏检。可以采用