这是训练的路锥、警示柱的数据,也就是小物体的.小物体有两个定义,一个是本身像素少,另一个是物体相对于整张图片的比例小
这是把图片缩小到600 proposal_target_layer选取用来训练的proposal的情况:
下图是缩小到900的:
其实我想知道为什么小物体,经过proposal_Target_layer后出来的proposal这么少了
个人感觉是nms过滤掉了很多,因为其他地方不太可能
可以发现,把缩小的尺寸扩大后,proposal的总体增多,特别是负例增多特别多,正例多数还是不变,少数增加了.这里截图是放了一个正例也增加的例子.
放大图片尺寸,对于小物体而言,一方面增加了本身的框的大小,也就是像素点多了,特征点多了;另一方面,也会增加正例.但同时也带来一个问题,负例增加.