主要观点总结
本文从五个问题出发，详细讲解了如何制作目标检测的训练样本图像，并推荐了训练样本图像制作工具及使用方法。内容包括像元值归一化、样本图像尺寸、网络能检测的目标框范围、卷积网络的平移和旋转不变性，以及制作目标检测训练样本的最佳方案。
关键观点总结
关键观点1: 像元值归一化
介绍了为什么需要进行像元值归一化，以及归一化的两种常见方法：最大最小值拉伸和均值加减标准差拉伸。还提到了红色实线代表的归一化映射和最佳处理方式的红色点虚线代表的映射。
关键观点2: 样本图像尺寸
探讨了样本图像尺寸与内存、显存大小的关系，以及卷积过程中的映射错位问题。提出了通过最终特征图的尺寸反推训练样本图像尺寸的方法。
关键观点3: 网络能检测的目标框范围
介绍了感受野的概念，以及网络能够检测的目标框范围与特征图像素或特征向量的感受野的关系。详细结论参考了论文：Understanding the effective receptive field in semantic image segmentation。
关键观点4: 卷积网络的平移和旋转不变性
讨论了卷积网络是否具有平移和旋转不变性，并解释了为什么加了padding的卷积网络平移不变性也不存在。
关键观点5: 制作目标检测训练样本的最佳方案
详细介绍了制作目标检测训练样本的五个步骤：做感受野分析、用最终特征图的尺寸反推训练样本图像的尺寸、对原始样本图像进行旋转和成像效果变换增广、对原始样本图像进行切图、其他样本增广操作。并推荐了训练样本图像制作工具，包括范围框宽高统计工具和训练样本裁剪工具。
文章预览
作者丨MrSpart 来源丨https://blog.csdn.net/MrSpart/article/details/116137943 编辑丨极市平台 导读 本文从五个问题出发依次递进讲解了该如何去制作目标检测的训练样本图像，并推荐了训练样本图像制作工具以及使用步骤。 【 看到这个题目相信不少人第一感觉是小题大作、故弄玄虚。不过还请先稍微按捺一下胸中的不快，在脑中给出下面这几个问题的答案。然后对照一下本文将要给出的答案，看看是否能够心平气和。】 像元值应该如何进行归一化？ 样本图像的尺寸仅与内存、显存大小有关吗？ 网络能检测的目标框范围只与图像大小有关吗？ 卷积网络真的具有平移和旋转不变性？ 制作目标检测训练样本的最佳方案是什么？ 以下为原文： 像元值应该如何进行归一化？ 不能想当然地认为像元值的取值范围就是0到255，虽然普通数码相机拍摄出来的图像各个通
………………………………
