1.什麼是「類別不平衡」呢？
詳細來說，檢測演算法在早期會生成一大波的bbox。而一幅常規的中，頂多就那麼幾個object。這意味著，絕大多數的bbox屬於background。
2.「類別不平衡」又如何會導致檢測精度低呢？
因為bbox數量**。
正是因為bbox中屬於background的bbox太多了，所以如果分類器無腦地把所有bbox統一歸類為background，accuracy也可以刷得很高。於是乎，分類器的訓練就失敗了。分類器訓練失敗，檢測精度自然就低了。
3.那為什麼two-stage系就可以避免這個問題呢？
因為two-stage系有rpn罩著。
第乙個stage的rpn會對anchor進行簡單的二分類（只是簡單地區分是前景還是背景，並不區別究竟屬於哪個細類）。經過該輪初篩，屬於background的bbox被大幅砍削。雖然其數量依然遠大於前景類bbox，但是至少數量差距已經不像最初生成的anchor那樣誇張了。就等於是 從 「類別 極 不平衡」 變成了 「類別 較 不平衡」 。
不過，其實two-stage系的detector也不能完全避免這個問題，只能說是在很大程度上減輕了「類別不平衡」對檢測精度所造成的影響。
接著到了第二個stage時，分類器登場，在初篩過後的bbox上進行難度小得多的第二波分類(這次是細分類)。這樣一來，分類器得到了較好的訓練，最終的檢測精度自然就高啦。但是經過這麼兩個stage一倒騰，操作複雜，檢測速度就被嚴重拖慢了。
4.那為什麼one-stage系無法避免該問題呢？
因為one stage系的detector直接在首波生成的「類別極不平衡」的bbox中就進行難度極大的細分類，意圖直接輸出bbox和標籤（分類結果）。而原有交叉熵損失(ce)作為分類任務的損失函式，無法抗衡「類別極不平衡」，容易導致分類器訓練失敗。因此，one-stage detector雖然保住了檢測速度，卻喪失了檢測精度。
one stage檢測演算法負樣本淹沒問題
1.什麼是 類別不平衡 呢？詳細來說，檢測演算法在早期會生成一大波的bbox。而一幅常規的中，頂多就那麼幾個object。這意味著，絕大多數的bbox屬於background。2.類別不平衡 又如何會導致檢測精度低呢？因為bbox數量 正是因為bbox中屬於background的bbox太多了，所以...
VIBE檢測演算法
一 vibe 獲取目標 其他演算法處理 最終目標 優點 記憶體占用少，處理速度快，計算量小，檢測效果好 無引數法 可直接應用在產品中，軟硬體相容性好 效能優於混合高斯，引數化方法，sacon等 背景模型及時初始化 具有較好的抗噪能力。缺點 ghost區域 挑戰 必須適應環境的變化 比如光照的變化造成...
素數檢測演算法
因為1既不是素數也不是合數，所以下面的實現 中不考慮小於2的情況。本文以c語言進行講解，建議對著完整的原始碼看。最原始 最粗暴的方法就是從頭到尾逐個進行檢測，一旦遇到可被整除的數馬上返回false bool is prime 1 int n return true 該演算法時間複雜度為n2 n 2對...