docs(mkdocs): 文档整理

Author: zjZSTU

docs/算法解析.md

@@ -14,4 +14,22 @@
 
 ## 卷积神经网络
 
-使用[AlexNet](https://zhujian.tech/posts/ca9994d1.html)作为特征提取器
+使用[AlexNet](https://zhujian.tech/posts/ca9994d1.html)作为特征提取器
+
+共`N+1`类，其中`N`表示目标类别数，`1`表示背景
+
+## 训练技巧
+
+在具体实行过程中，还需要注意以下方面
+
+### 图像扭曲
+
+将候选区域输入到卷积神经网络之前，需要进行图像扭曲，得到固定的`227×227`像素大小
+
+无论候选区域的大小或宽高比如何，将其周围紧边界框中的所有像素扭曲为所需的大小。同时在扭曲之前，在原始框的上下文添加`p`个上下文像素（`p=16`）
+
+### 贪婪非最大抑制
+
+在测试阶段，对于可能存在重叠的候选区域，如果重叠区域属于相同类别，并且两种`IoU`比阈值高，那么舍弃得分低（*在选择性搜索阶段得到，最后得到的候选区域列表就是得分从高到低排列的*）的候选区域
+
+### 边界框回归

mkdocs.yml

@@ -33,7 +33,4 @@ nav:
     - 工程解析: './工程解析.md'
     - 数据集创建: './数据集创建.md'
     - 微调模型: './微调模型.md'
-    - 分类器训练: './分类器训练.md'
-    - '算法解析': './算法解析.md'
-    - '数据集':
-        - '创建': './create_data.md'
+    - 分类器训练: './分类器训练.md'

py/utils/data/create_classifier_data.py

@@ -32,7 +32,7 @@ def parse_annotation_jpeg(annotation_path, jpeg_path, gs):
     """
     获取正负样本（注：忽略属性difficult为True的标注边界框）
     正样本：标注边界框
-    负样本：IoU小于等于0.3。为了进一步限制负样本数目，其大小必须大于标注框的1/5
+    负样本：IoU大于0，小于等于0.3。为了进一步限制负样本数目，其大小必须大于标注框的1/5
     """
     img = cv2.imread(jpeg_path)