我们以 R-CNN 为例。我知道有区域提议网络，然后是一个单独的分类网络，总体思路是它找到可能是对象的潜在区域，然后将这些区域传递给分类器以找出它是什么。我想知道如果我有一个自定义数据集，该分类器是如何得到训练的。它是否只是简单地提取所有边界框，使用这些边界框坐标创建新图像，对其进行预处理，然后将它们用于训练？
换句话说，物体检测模型中使用的分类器是根据边界框坐标生成的图像训练的，还是比这更复杂？
【问题讨论】：
标签： deep-learning computer-vision object-detection conv-neural-network
根据我对您的问题的理解：“您想了解分类器网络的工作原理吗？”
好吧，当我们设计一个检测器网络和一个分类器网络时，这两个网络都在不同类型的训练数据集上进行了训练。例如，您想检测不同类别的车辆，如卡车、公共汽车、货车、汽车、自行车等
检测器网络：该网络将使用在场景中车辆周围带有标记边界框的图像进行训练。即边界框的坐标。在测试这部分网络的过程中，您将获得可以为您提供车辆周围的边界框（坐标）的结果。
分类器网络：将使用裁剪后的车辆图像进行训练，这些图像具有不同的类标签，所有标签都调整为相同的尺寸，例如卡车 1、公共汽车 2、面包车 3、汽车 4 等等。
因此，在检测器网络之后测试整个管道（检测器 + 分类器）时，您将根据场景中存在的车辆数量获得多个边界框。之后，您需要将所有裁剪后的边界框图像调整为相同尺寸，并一一提供给分类器网络。例如一个场景可能有 5 辆汽车，那么分类器将分别接收 5 辆汽车图像。您还需要保留输入的裁剪图像的坐标，以便在结果中标记车辆的类别和位置。
【讨论】：