使用 SSD 的对象检测哪种方式将提供更高的准确性和召回率
Object Detection using SSD which way will give higher accuracy and recall rate
我有一个与 SSD 基础知识相关的问题，而不是任何具体实施问题：
如果我的目标是检测所有“前景”对象并对它们进行 bbox 而不太关心是“狗”还是“猫”等。那么哪种方式会为我提供更好的整体准确率和召回率：
假设前景中有 10 种不同类别的物体：
1. to train SSD with 10 different classes; or
2. to train SSD with 1 class as foreground and label all 10 different categories objects as "foreground"
非常感谢您的帮助。
经过几个月的研究和实验，对于 SSD，我会说选项 #1“用 10 个不同的 类 训练 SSD”将达到更高的准确性，如果“不关心”错过分类则可以召回只要它是前景对象，就把它们都算进去。原因是：SSD除了feature map之外，还依赖bbox的shape和size来进行分类。所以类我们训练的越多，它的“检测器”就越多，这意味着SSD对这个特定问题的识别能力越强。
我有一个与 SSD 基础知识相关的问题，而不是任何具体实施问题：
如果我的目标是检测所有“前景”对象并对它们进行 bbox 而不太关心是“狗”还是“猫”等。那么哪种方式会为我提供更好的整体准确率和召回率： 假设前景中有 10 种不同类别的物体：
1. to train SSD with 10 different classes; or
2. to train SSD with 1 class as foreground and label all 10 different categories objects as "foreground"
非常感谢您的帮助。
经过几个月的研究和实验，对于 SSD，我会说选项 #1“用 10 个不同的 类 训练 SSD”将达到更高的准确性，如果“不关心”错过分类则可以召回只要它是前景对象，就把它们都算进去。原因是：SSD除了feature map之外，还依赖bbox的shape和size来进行分类。所以类我们训练的越多，它的“检测器”就越多，这意味着SSD对这个特定问题的识别能力越强。