segmentation调试方法(segmentfault脚本怎么写)

边肖将与您分享如何在细分市场实施无锚方法。相信大部分人还不太了解，所以分享这篇文章给大家参考。希望大家看完这篇文章后收获多多。让我们一起来发现吧！

根据FCOS的说法，它将每个地点作为样本。如下图所示，我们可以看到最左边的橙色点是在棒球运动员的盒子里，这个点的gt实际上是这个点到盒子四边的距离和盒子的obj类别，所以最终预测的输出是HxWxC和HxWx4，C和4分别代表每个特征图的每个位置上要预测的类别和这个点到盒子的边界距离。用这种方法获得盒子后，NMS等。按照FCOS回合的锚定方法进行：

可以发现两者最大的区别就是最后一个输出通道。Retinanet输出KA和4A(A代表锚点数量，K代表类别数量)，用于预测它们的类别和A锚点在每个位置的相对偏移量，而FCOS直接预测网格所属的类别和生成的盒子。完全没有盒子的概念，整体上非常接近语义分割的分割思路。这种方法有一个问题，就是越靠近box内部的中心，效果越好，但是越靠近Box的边缘，虽然理论上应该还是正的，但是预测效果不好，因为经常落在obj之外。因此，FCOS的解决方案是引入一个新的分支中心，其gt计算如下：

可以看出，如果位置与框的左右边框之间的距离相同，那么根符号中的第一项应该是1。类似地，当与上下边界的距离相同时，根符号中的第二项为1。此时gt值为1，位置正好在中间。如果位置非常靠近边缘，gt将非常小。经过这个分支训练后，将乘以分类预测值作为推理阶段的最终得分，从而抑制中心点附近的位置。此外，FCOS还引入了多尺度的概念。如果FPN某一级别的最大t/b/l/r大于某一阈值，则认为该框不适合当前级别的特征，可以排除。00-1010认识FCOS后，更容易认识foveabox。Foveabox在多尺度策略和编码方式上有所不同。Foveabox的多尺度策略是根据区域给不同级别的特征图分配不同大小的盒子，存在重叠。FPN P3 ~ P7的每片左叶的Pl分别有一个基数Sl。当l=3时，S3对应P3是3232，当l=4时，P4对应它。

S4是6464，一直翻倍。每个级别负责的框的面积范围是，其中n 2是一个可变参数。可以看出，不同leval预测的范围将重叠，这可以在一定程度上增加鲁棒性：

考虑到不同级别预测的箱体尺寸不同，预测箱体位置坐标也编码如下(Z代表系数，具体计算方法见论文):

最后，也就是fovebox名字的由来，对于远离盒子内部中心点的抑制方法，fovebox并没有和centerness一样的分支，而是采用了另一种思路，即只将盒子内部更靠近中心的点视为正样本(下图中带黑点的红色区域)，如果该点在盒子内部但更靠近边缘， 常被视为灰色区域，即既不是正样本也不是负样本，通过梯度返回。 正样本所在的矩形框和灰色区域的矩形框的大小由两个不同的展开系数控制。

至于FSAF，就不多介绍了，只需要知道以下三点：1。FSAF在每个位置预测盒子的方式也是预测点到盒子四个边界的距离，类似于FCoS 2。FSAF抑制远离中心点的盒子中的干扰的方法类似于Foveabox，非常靠近中心的矩形区域也被视为正样本。3.FSAF的多尺度策略比较特殊，因为它不是手动分配等级来预测某个盒子(与FCOS和Fovea不同，两者本质上都是使用手动分配的方法)，而是在所有尺度上同时计算，看盒子在哪个等级上损失最小，并根据这个等级的特征进行计算，从而实现了对不同obj的特征选择自动化。

以上就是《如何在细分中实现无锚方法》一文的全部内容，感谢阅读！相信大家都有一定的了解，希望分享的内容对大家有所帮助。想了解更多知识，请关注行业资讯频道！