时间的卷积人工神经网络可以用于数字视频的对象检测,包括了多个步骤,请给出正确的顺序。
A: 使用CNN对目标候选框进行分类,去除背景框。
B: 输出重打分的结果。
C: 用Selective Search方法提取很多目标候选框。
D: 使用R-CNN对目标框进行分类别的打分。
E: 对高置信度的目标框进行跟踪。
A: 使用CNN对目标候选框进行分类,去除背景框。
B: 输出重打分的结果。
C: 用Selective Search方法提取很多目标候选框。
D: 使用R-CNN对目标框进行分类别的打分。
E: 对高置信度的目标框进行跟踪。
举一反三
- 以后有关目标检测的说法,正确的是哪些? A: 对于YOLOv1等单阶段的目标检测算法,不需要做区域生成(region proposal),可以直接使用卷积网络预测物体的分类和位置。 B: 对于R-CNN算法而言,对目标和背景进行分类仅需一个SVM模型。 C: Fast R-CNN可以把selective search提取的候选框通过ROI Pooling转化为固定大小的特征图。 D: 在Faster R-CNN中,候选框是通过特征图的点使用RPN(区域生成网络)生成。
- 下面哪种目标检测算法候选框中的物体分类步骤没有采用卷积神经网络? A: R-CNN B: Fast R-CNN C: Faster R-CNN D: YOLO v1
- 下面哪种目标检测算法候选框中的物体分类没有采用卷积神经网络? A: R-CNN B: Fast R-CNN C: Faster R-CNN D: YOLO v1
- 下列关于r-cnn网络的描述正确的有 A: 在r-cnn网络中,初步获取的上千个候选框可以不进行尺度缩放,直接输送到下一步的特征提取cnn中 B: 非极大值抑制(NMS)算法被用来合并、剔除各个候选框 C: r-cnn网络中,经过cnn和svm后,会得到候选框的中心坐标(x,y)和候选框的长宽(h,w) D: 得到目标候选框的信息后,还需要经过平移和尺度变换两个操作来获取最终的估计框
- R-CNN是用selective search产生候选proposals,然后将其输入到CNN中最后使用SVM判断结果