假设一个 CNN 被训练来检测某种类型对象（人、汽车、房屋等）的边界框。
如果训练集中的每张图像只包含一个对象（及其对应的边界框），那么如果用于预测的输入包含多个对象，那么 CNN 能在多大程度上泛化以拾取所有对象？
为了让 CNN 在预测中挑选出多个对象，是否应该对训练图像进行下采样？
我没有具体的想法。我只是对一般行为感到好奇。
用于边界框检测的 CNN 的泛化程度如何？
人工智能
神经网络
卷积神经网络
2021-11-01 14:02:24
2个回答
我建议您阅读 r-cnn 论文或阅读有关它的教程。CNN 在最后一层将图像转换为高维向量，在分类的情况下，这个向量被发送到“softmax”层，在边界框回归的情况下，四个值：长度、宽度、一个点的位置bounding box ，从这个向量回归，所以如果你使用一个带有一个回归头的 cnn，你最终会得到一个边界框，而与训练集无关。
通常，物体边界框检测主要有三个步骤。
首先，模型或算法用于生成 ROI（感兴趣区域）或区域建议。这些区域建议是一组跨越整个图像的大型边界框。（即对象本地化组件）。
在第二步中，为每个边界框提取视觉特征（使用卷积的人脸、人物等），并对它们进行评估。基于视觉特征（即对象分类组件）确定感兴趣区域中是否存在以及哪些对象存在。
在最后的后处理步骤中，重叠的框被组合成一个单独的边界框（即非最大抑制）。