一、簡要

今天分享的是研究者提出了基于統(tǒng)計自適應線性回歸的目標尺寸預測方法。YOLOv2和YOLOv3是典型的基于深度學習的對象檢測算法，它們使用統(tǒng)計自適應指數(shù)回歸模型設計了網(wǎng)絡的最后一層來預測對象的尺寸大小。

然而，由于指數(shù)函數(shù)的性質(zhì)，指數(shù)回歸模型可以將損失函數(shù)的導數(shù)傳播到網(wǎng)絡中的所有參數(shù)中。研究者提出了統(tǒng)計自適應線性回歸層來緩解指數(shù)回歸模型的梯度爆炸問題。所提出的統(tǒng)計自適應線性回歸模型用于網(wǎng)絡的最后一層來預測從訓練數(shù)據(jù)集的統(tǒng)計數(shù)據(jù)估計目標的尺寸大小。研究者新設計了基于YOLOv3tiny網(wǎng)絡，它在UFPR-ALPR數(shù)據(jù)集上比YOLOv3有更高的性能。

二、背景

主要這個上韓文論文，導致本人閱讀過程比較艱難，所以今天就簡單介紹些整體框架思想，有興趣的同學可以進一步閱讀論文，深入了解！

今天我們就不介紹傳統(tǒng)的檢測網(wǎng)絡了，因為我們”計算機視覺研究院“之前分享了太多的目標檢測類干貨及實踐，想入門級進一步熟知請查看歷史分享。部分分享見下鏈接：

 往期推薦 

*博客內(nèi)容為網(wǎng)友個人發(fā)布，僅代表博主個人觀點，如有侵權請聯(lián)系工作人員刪除。