标签：Convolutional 定位 Localization 卷积 检测 using OverFeat Networks
O v e r F e a t : I n t e g r a t e d R e c o g n i t i o n , L o c a l i z a t i o n a n d D e t e c t i o n OverFeat: Integrated\ _{}Recognition, Localization\ _{}and\ _{}Detection OverFeat:Integrated Recognition,Localization and Detection
u s i n g C o n v o l u t i o n a l N e t w o r k s using\ _{}Convolutional\ _{}Networks using Convolutional Networks
P i e r r e S e r m a n e t ， D a v i d E i g e n ， X i a n g Z h a n g Pierre\ _{}Sermanet，David\ _{}Eigen， Xiang\ _{}Zhang Pierre Sermanet，David Eigen，Xiang Zhang
M i c h a e l M a t h i e u ， R o b F e r g u s ， Y a n n L e C u n Michael\ _{}Mathieu，Rob\ _{}Fergus，Yann\ _{}LeCun Michael Mathieu，Rob Fergus，Yann LeCun
O v e r F e a t ： 使 用 卷 积 网 络 进 行 识 别 、 定 位 和 检 测 OverFeat：使用卷积网络进行识别、定位和检测 OverFeat：使用卷积网络进行识别、定位和检测
摘要：我们提出了一个使用卷积网络进行分类、定位和检测的集成框架，展示了如何将多尺度以及滑动窗口方法有效的应用在一个卷积网络中。我们还通过学习预测目标边界来介绍一种新的深度学习方法来进行定位，然后累积边界框而不是抑制边界框以增加检测置信度。我们展示了使用单个共享网络可以同时学习不同的任务。该集成框架是ImageNetLargeScale视觉识别挑战2013（ILSVRC2013）的定位任务的获胜者，并且在检测和分类任务方面获得了非常有竞争力的结果。在赛后工作中，我们为检测任务建立了新的技术水平。最后，我们从我们最好的模型中提出一个特征提取器，叫做OverFeat。
- 分类：图像上是啥？
- 定位：目标在哪里、是啥？
- 检测：在哪里、都有啥？
定位是介于分类和检测的中间任务，分类和定位使用相同的数据集，检测的数据集有额外的数据集（目标比较小）。
标签：Convolutional,定位,Localization,卷积,检测,using,OverFeat,Networks 来源： https://blog.51cto.com/u_15178976/2729162
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。