多目标检测的顺序蒙特卡罗和分层检测网
centernet原理
CenterNet原理引言CenterNet是一种基于目标中心的目标检测算法，于2019年提出。
在目标检测任务中，CenterNet达到了很好的性能，同时具有高效、简单的特点。
本文将深入探讨CenterNet的原理及其关键组成部分。
CenterNet概述CenterNet是一种两阶段的目标检测方法，其主要思想是将目标检测任务转化为回归中心点和尺寸的问题。
相比于其他目标检测算法，CenterNet不需要预先定义anchor框，并且具有较高的检测速度和较低的计算复杂度。
一、网络结构CenterNet的网络结构主要包括三个关键组成部分：骨干网络、特征金字塔网络和输出层。
下面我们将详细介绍这三个组成部分。
1.1 骨干网络骨干网络负责从输入图像中提取特征。
通常会选择一些经典的卷积神经网络作为骨干网络，如ResNet、VGG等。
这些网络可以提取图像的高维语义特征，用于后续的目标检测。
骨干网络一般会包含多个卷积层和池化层，通过逐层的卷积和池化操作，逐渐降低特征图的尺寸。
1.2 特征金字塔网络特征金字塔网络用于解决不同尺度目标的检测问题。
通过在骨干网络的基础上引入额外的卷积层和上采样操作，特征金字塔网络可以获取多尺度的特征图。
这些特征图具有不同的分辨率和语义信息，有利于检测不同大小的目标。
在CenterNet中，特征金字塔网络使用了自底向上的结构，即通过逐层上采样的方式生成高分辨率的特征图。
1.3 输出层输出层是CenterNet的核心部分，负责预测目标的中心点和尺寸。
输出层通常由两个分支组成，一个分支用于回归中心点坐标，另一个分支用于回归目标的宽度和高度。
对于每个中心点，输出层会预测其是否包含目标以及目标的大小。
CenterNet 使用了一种特殊的损失函数来训练输出层，称为CenterNet损失。
二、CenterNet损失函数CenterNet的损失函数由三部分组成，即中心点损失、尺寸损失和置信度损失。
下面我们将详细介绍这三个损失函数。
目标检测综述
如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。
下面我们对这三个阶段分别进行介绍。
(1) 区域选择这一步是为了对目标的位置进行定位。
由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。
这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。
(实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域)(2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。
然而提取特征的好坏直接影响到分类的准确性。
(这个阶段常用的特征有 SIFT、 HOG 等)(3) 分类器主要有 SVM, Adaboost 等。
总结：传统目标检测存在的两个主要问题：一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。
对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？对于滑动窗口存在的问题， region proposal 提供了很好的解决方案。
region proposal (候选区域) 是预先找出图中目标可能出现的位置。
但由于 regionproposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口(几千个甚至几百个) 的情况下保持较高的召回率。
这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高(滑动窗口固定长宽比) 。
比较常用的 region proposal 算法有selective Search 和 edge Boxes ，如果想具体了解 region proposal 可以看一下PAMI2015 的“What makes for effective detection proposals？”有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作 (特征提取 +分类)。
目标检测算法分类
目标检测算法分类目标检测是计算机视觉领域的一个重要研究方向，其主要任务是在图像或视频中确定物体的位置和类别。
目标检测算法可以分为两大类：基于传统机器学习的目标检测算法和基于深度学习的目标检测算法。
1. 基于传统机器学习的目标检测算法（1）滑动窗口检测法滑动窗口检测法是一种基于特征提取和分类器分类的方法。
它将不同大小的窗口移动到图像中，并使用分类器对每个窗口进行分类来确定物体的位置和类别。
该方法需要从图像中提取特征，常用的特征包括Haar、HOG、LBP等。
（2）视觉词袋模型视觉词袋模型是一种基于局部特征描述符构建视觉词汇表并使用SVM 分类器进行分类的方法。
该方法首先对图像进行分割，然后提取每个区域内的局部特征描述符，并通过聚类得到一组视觉词汇表。
最后使用SVM分类器对每个区域进行分类。
2. 基于深度学习的目标检测算法（1）R-CNN系列算法R-CNN系列算法是一种基于深度学习的目标检测算法，它采用两个阶段的方法：首先使用Selective Search等方法提取候选框，然后对每个候选框进行分类和回归。
该方法主要包括R-CNN、Fast R-CNN和Faster R-CNN三个版本。
（2）YOLO系列算法YOLO系列算法是一种基于深度学习的端到端目标检测算法，它将目标检测问题转化为一个回归问题，并使用单个神经网络同时预测物体的类别和位置。
该算法具有速度快、精度高等优点，主要包括YOLOv1、YOLOv2和YOLOv3三个版本。
（3）SSD系列算法SSD系列算法是一种基于深度学习的目标检测算法，它使用多层特征图进行物体分类和位置预测，并通过多尺度预测来提高检测精度。
该方法具有速度快、精度高等优点，主要包括SSD和MS-SSD两个版本。
总之，在目标检测领域中，基于传统机器学习的方法逐渐被基于深度学习的方法所替代。
未来随着计算机硬件性能的提升以及深度学习技术的不断发展，目标检测算法将会更加精确、快速和实用化。
目标检测网络
★第10章 目标面检测向网对络象的开发方法
• 传统的面向过程的开发方法是以过程为 中心，以算法为驱动，因此，面向过程 的编程语言是程序=算法+数据
• 面向对象的开发方法是以对象为中心， 以消息为驱动，因此，面向对象的编程 语言是程序=对象+消息。
• 传统开发方法开发软件存在的问题
– 软件重用性差 – 软件可维护性差 – 软件稳定性差
• 这些定义蕴含了类层次的存在，父类的 属性和操作被子类继承，而子类也可以 加入自己“私有的”属性和方法。
★第10章 目标检测网络 属性
• 属性依附于类和对象，并且以某种方式 描述类或对象。Champeaux及其同事 给出了如下的关于属性的讨论：
• 现实的实体经常用指明其稳定特性的词 来描述。大多数物理对象具有形状、重 量、颜色和材料类型等特性；人具有生 日、父母、名字、肤色等特性，特性可 被视为在类和某确定域之间的二元关系 。
★第10章 目标检测网络 10.1 目标检测基础知识
➢ 传统目标检测方法主要包含三个关键步骤：区域选择、 特征提取和分类器分类。
★第10章 目标检测网络 10.1 目标检测基础知识
Fast R-CNN、Faster R-CNN等一系列算法，这些算 法在步骤上由获取候选区域以及目标识别定位两个步骤组 成，一般称为两阶段（two-stage）目标检测方法。
★第10章 目标检测面网向络对象的分析
• 面向对象的分析（Object Oriented Analysis, OOA），是在一个系统的开发 过程中进行了系统业务调查以后，按照面 向对象的思想来分析问题。四个基本步骤 ：
– 第一步，获取功能需求。 – 第二步，根据功能和参与者确定系统的对象
和类。 – 第三步，确定类的结构、主题、属性和方法
目标检测发展历程
目标检测发展历程
目标检测是计算机视觉领域的一个重要研究方向，是识别视觉信息中的目标的一种技术。
在过去的几十年中，目标检测技术发展迅速。
下面我们就来看看目标检测技术的发展历程。
20世纪90年代，根据计算机视觉的基本理论，研究者们
提出了基于视觉特征的目标检测技术。
这些技术主要通过提取图像的视觉特征，如边缘、纹理等，然后利用支持向量机（SVM）或其他机器研究技术，来识别图像中的目标。
这种
技术的优点是简单实用，但缺点是准确率不高，对复杂环境的检测能力有限。
到了21世纪，随着深度研究技术的出现，研究者们发展
出了基于深度研究的目标检测技术。
这种技术主要依赖深度卷积神经网络（CNN）来检测图像中的目标，识别准确率较高。
这种技术更容易处理复杂的环境，满足了计算机视觉领域的需求。
随后，研究者们又发展出了基于深度研究的端到端的目标检测技术，主要是检测和识别两个阶段合并在一起，把这两个阶段由两个网络分开，把它们连接在一起，可以同时完成检测和识别，提高了检测效率。
8种目标检测算法
8种目标检测算法目标检测是计算机视觉领域中一个重要的任务，其目标是在图像或视频中准确地定位和识别出感兴趣的物体。
在过去的几十年中，研究者们提出了许多不同的目标检测算法，旨在提高检测的准确性和效率。
本文将介绍8种经典的目标检测算法，并对它们进行详细比较和分析。
1. R-CNN (Region-based Convolutional Neural Network)R-CNN是一种经典的目标检测算法，它通过两个步骤来进行目标检测：候选区域生成和分类。
首先，R-CNN使用选择性搜索（Selective Search）等方法生成一系列候选区域。
然后，每个候选区域被送入卷积神经网络（CNN）进行特征提取，并使用支持向量机（SVM）进行分类。
虽然R-CNN在准确性上表现良好，但其速度较慢。
2. Fast R-CNNFast R-CNN是对R-CNN的改进，主要通过引入全连接层来解决R-CNN中多次计算相同特征的问题。
Fast R-CNN首先将整个图像输入到CNN中获取特征图，然后根据候选区域的位置从特征图中提取相应的区域特征。
这些区域特征被送入全连接层进行分类和边界框回归。
相比于R-CNN，Fast R-CNN具有更快的速度和更好的检测性能。
3. Faster R-CNNFaster R-CNN是在Fast R-CNN的基础上进一步改进的算法。
它引入了一个称为“区域提议网络”（Region Proposal Network，RPN）的组件，用于生成候选区域。
RPN通过滑动窗口在特征图上移动，并预测每个位置是否包含目标以及对应的边界框。
生成的候选区域被送入Fast R-CNN进行分类和回归。
Faster R-CNN将目标检测任务拆分为两个子任务，从而实现了端到端的训练和推断。
4. YOLO (You Only Look Once)YOLO是一种非常高效的目标检测算法，它采用了完全不同于传统方法的思路。
YOLO将目标检测问题转化为一个回归问题：给定图像，直接在图像上划分网格，并预测每个网格中是否包含目标以及对应的边界框和类别概率。
多目标检测
多目标检测多目标检测是计算机视觉领域中的一项重要任务，它旨在从图像或视频中同时检测和识别多个不同类别的目标。
与传统的目标检测方法相比，多目标检测算法需要解决许多挑战，例如目标重叠、遮挡、变形和尺度变化等。
多目标检测的关键是要有效地检测和定位图像中的多个目标。
目前，主流的多目标检测方法可以大致分为两类：基于区域的方法和基于锚点的方法。
基于区域的方法将目标检测问题转化为在图像中定位一组候选区域，然后对这些区域进行分类。
其中，最著名的方法是R-CNN系列方法，它首先使用选择性搜索等方法生成一组候选区域，然后对每个区域提取特征并进行分类。
虽然R-CNN方法在准确性上取得了很好的效果，但是其速度很慢，无法满足实时应用的需求。
基于锚点的方法则是将目标检测问题转化为在图像中密集采样一组锚点，并对每个锚点进行分类和定位。
其中，最著名的方法是YOLO系列方法和Faster R-CNN方法。
它们通过在不同尺度和长宽比的特征图上采样锚点，然后根据锚点与真实目标的重叠程度进行分类和定位。
这些方法不仅在准确性上有所提升，而且速度也得到了很大的提升。
此外，为了进一步提升多目标检测的性能，研究人员还提出了一些改进的方法。
例如，一些方法通过引入注意力机制来提高模型对重要目标的关注度；一些方法通过引入上下文信息来提高目标的分类和定位性能；一些方法则将目标检测问题转化为问题，通过生成目标的多个候选框，并对这些候选框进行一个整合，从而提高检测性能。
总的来说，多目标检测是计算机视觉领域的一个重要任务，它在许多应用领域中发挥着重要作用，如智能监控、自动驾驶和无人机等。
随着算法的不断发展和硬件的不断进步，相信多目标检测的性能将会进一步提升，应用领域也会更加广泛。
目标检测模型架构
目标检测模型有很多不同的架构，以下是一些常见的架构：
1. Faster R-CNN模型框架由多卷积层（conv layers）、区域候选网络（region proposal networks）、感兴趣区域池化层（RoI pooling layer）和分类全连接网络（classification full-connected networks）4部分组成。
2. YOLO系列模型，如YOLOv3、YOLOv4和YOLOv5，都是基于单一网络结构的目标检测模型。
它们将目标检测视为回归问题，同时预测物体的边界框和类别。
3. SSD模型（Single Shot MultiBox Detector）是一种单次多框检测器，它在单一的网络层上预测边界框和类别。
与YOLO不同，SSD在多个特征层上预测边界框。
4. RetinaNet模型是一个单阶段的物体检测器，它将检测任务分解为两个子任务：中心性任务（负责预测是否包含物体）和偏置性任务（负责预测物体的边界框和类别）。
5. Mask R-CNN模型在Faster R-CNN的基础上，添加了一个用于目标分割的分支，可以同时进行目标检测和分割。
以上只是目标检测模型的一部分架构，还有许多其他的架构和方法。
在实际应用中，选择哪种架构取决于具体的需求和场景。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多目标检测的顺序蒙特卡罗和分层检测网纲要在本文中，我们提出了一个新的框架检测，二维和三维图像中的多个对象。
由于一个联合的多对象模型难以获得在大多数实际情况下，我们在这里关注的物体的检测顺序，一个一个的。
对象之间的相互依存关系的姿态和强大的现有信息嵌入在我们的医学图像的结果优于单独检测对象域。
我们的方法是基于序列估计技术，经常应用到的视觉跟踪。
不像在跟踪，其中顺序自然是确定的时间序列，多个对象的检测的顺序必须被选择，导致分层检测网络（HDN）。
我们提出了一个算法优化选择基于概率的状态的顺序（对象构成的地面区域内）。
对象构成的近似的后验分布在每一步的顺序蒙特卡罗。
样品在多个对象和层级序列内的传播。
在左心房的二维超声图像显示我们，是自动选择的顺序产量低的平均检测误差。
我们还定量评价胎面分层检测和三胎儿的大脑结构的三维超声图像。
1 介绍多目标检测是计算机视觉系统中的许多应用，例如在视觉跟踪[ 15 ]，初始化分割[ 20 ]，或在医疗成像[ 2 ]。
图1说明了多目标检测的两个例子，我们有兴趣。
多－目标检测[ 5，19，国家的最先进的方法，9 ]依靠每个对象类的一个单独的探测器后处理修剪杂散检测内和类之间。
联合检测多个对象而不是单独的优点是物体间的空间关系可以被利用。
由于获得的多个对象连接模型的困难在大多数实际应用中，多目标检测任务由多个单独的对象检测器的空间模型[ 4 ]连接解决。
的物体的相对位置提供约束，使系统具有更强的鲁棒性通过聚焦搜索区域中的对象是基于其他对象的位置的期望。
在这些算法的最具挑战性的方面是设计的探测器，快速和强大的，建模对象之间的空间关系，并确定检测顺序。
在本文中，我们提出了一种多目标检测系统，解决了这些难题。
图1 多目标检测的例子：左心房（LA）所标志的心尖二腔（A2C）视图（左）和三解剖脑胎儿三维超声体积（右）。
我们的计算速度和提高系统的鲁棒性的分层处理。
在检测中，一个主要的问题是如何有效地传播对象可以在层次结构的级别者。
这通常涉及定义搜索范围在NE的水平，可以从粗的水平是影响者。
搜索范围的不正确的选择导致更高的计算速度，精度低，或漂移的粗考生对正确renements。
在我们的技术的搜索范围的模型是从训练数据中学习的一部分。
我们的多目标检测系统的性能是通过从更容易检测和利用对象的配置限制其他的物体检测对象的进一步改进。
这一战略的困难是选择检测，整体性能达到最大化的顺序。
我们的检测计划是去签署了减少检测的不确定性。
使用相同的算法，我们也得到了最优调度的层次尺度。
我们的做法是出于序列估计技术[ 8 ]，经常应用到的视觉跟踪。
在跟踪，我们的目标是估计在时间t的对象的状态下（例如，位置和大小）使用观察Y0：T （视频帧中的对象的外观）。
计算需要的可能性的假设状态产生的观察和转换模型，描述状态之间的传播框架的方式。
由于在实际情况中可能导致顽固性推理模型，用Monte Carl o方法近似，也被称为粒子滤波，已广泛采用。
在每一个时间步t，估计涉及的建议分布采样（xtjx0：T1；y0：T）的当前状态下空调的状态X0史：T1到时间t 1和观测的历史y0：T到时间t。
我们还使用序贯Monte Carl o方法在多目标检测。
我们的样品从一个序列的概率分布，但序列物种的空间秩序而不是一个时间顺序（图2）。
后验分布的每个对象构成了（状态）是基于所有的观察到目前为止估计。
观察社区周围的物体从图像特征计算。
一个虚拟的国家可能产生的观测是基于确定性模型，通过使用一个大的注释的图像数据库。
德-文士的对象的姿势有关的方法是高斯过渡模型大多数的目标检测算法都集中在一个固定的目标姿态参数，在一个二进制类型sication系统[ 17测试，19 ]。
采用序贯山姆采样模型允许我们使用对象构成的样本较少的正式推广这类算法对多重的物体。
这节省了计算时间和增加交流由于样品从后验分布的概率高精度的区域。
从序贯抽样文献对视觉跟踪的许多想法可能扩展到多目标检测。
在4节中，我们将演示贝内的采样设计时，多个地标检测左心房的二维图像。
不像在跟踪，其中顺序自然是确定的时间发展顺序，多目标检测必须选择。
在我们的算法中，顺序是这样选择的，检测的不确定性最小化。
因此，而不是使用直接前体，在马尔可夫过程的过渡模式，可以基于任何前兆，这是最佳选择。
这导致了一个分层检测网络（HDN）3。
一个假设的姿态可能是使用一个受过训练的检测指标计算。
检测规模作为另一个参数的似然模型和分层调度是以同样的方式确定为空间计划。
本文的组织如下。
我们将在2节的背景概述。
在3节中提出了时序多目标检测算法。
一套4节中的实验验证了算法的有效性。
我们得出结论：本文5节。
2 背景对象是一组离散的测试和多目标检测算法[17]二进制分类器的物体存在，19 ]。
这些算法的不同，通常样本参数空间均匀的样品，我们从建议分布[ 14 ]，以高概率的区域。
这节省了计算时间少的样品需要增加密钥的鲁棒性的情况相比，在相同数量的样品将被均匀地。
多目标检测技术主要集中在模型共享的特点[ 16 ]或对象的部分[ 9 ]。
这种共享具有更强的模型，但在最近的文献中，一直有一个争论如何以有效的方式[ 7 ]对象上下文模型。
它已经表明，本地检测器可以通过使用对象的上下文[ 6，13的相互依存关系建模的改进，12 ]和[ 11 ]的语义信息。
在我们的抽样框架，这种相互依存关系是通过一个过渡分布模型，这种构成的一个对象到另一个对象的姿态的转变。
这样，我们利用在人体医学图像的先验信息，提出了强。
重要的问题是如何确定背景区域的大小（检测量表）和物体检测RST以最佳的方式。
多尺度算法通常指定一个固定的组的检测区域的预定参数表[ 1，9 ]。
选择自动缩放的优点由于对象具有不同的大小和上下文邻域的大小也不同。
我们提出了一个多尺度的调度算法，制定了以同样的方式作为检测顺序调度。
检测顺序被指定的最大信息增益的计算之前和之后的检测是测量[ 21 ]和最小的观测[ 1后验概率分布的熵]。
我们的调度准则是基于概率的状态（目标是）真实的区域内。
其他措施也可以使用在序贯抽样框架的灵活性。
3 序列蒙特卡罗状态（姿态）的建模对象T表示为并且多目标检测的序列为0：T = 。
在我们的例子中，表示位置P，R和方向，从图像邻域得到对象观察组，附近的Vt指定的边界框的坐标在一个d维图像V，。
的观察序列，记为。
这是由于POS可能确定图像邻域V0存在的先验知识；；观察VT与边际分布F（V）描述每个对象TT的出现并假设条件独立给定的状态和状态的动态关系，即对象构成，是一个初始分布模型（0）和过渡分布。
注意，这里我们不使用马尔可夫转移。
图 2 在多目标的检测，观察组是一个系列的图像补丁程序。
序列的物种的空间秩序而不是一个时间顺序。
后者通常是利用在跟踪应用程序。
多目标检测问题的解决，借助全面应用预测和更新步骤获得的后验分布。
预测步骤计算的概率密度的状态的对象使用的对象，状态1，和以前的观测点的所有对象t－1：当检测对象，观察VT是用来计算估计的更新步骤中：其中f（VT jv0：T1）是归一化常数。
这些表达式的看起来的那样的简单，一般没有解析解。
解决这个问题是通过来自贡献的权重样本，其中是状态在重量方面的实现。
在多数情况下，样本直接来自于时是非常不灵活的。
重要性采样的思想是引入一个建议分布，其包含了。
为了能够正确的[ 14 ]的样本权重，定义权重为：由于目前的状态不依赖于其他对象，然后观察：状态的计算为：替代（4）和（5）到（3），我们有在本文中，我们采用了之前的过渡作为建议分布。
因此，权重计算：在未来，我们计划设计更复杂的建议分布在多个对象之间的关系在检测杠杆。
当检测到每个对象，顺序采样产生的后验分布使用样品从预检测明显的对象如下：1．从建议分布得到M个样本，2．重新过磅每个样品根据重要性比:3.重采样粒子的重要性权重得到未加权逼近：3.1.观察和过度模式现在让我们定义一个随机变量，其中Y = + 1表示和Y = 1的对象不存在。
利用大功率的带注释的数据集，我们使用歧视性的分类器（例如PBT [ 17 ]）在观测模型：在跟踪中，往往是一个马尔可夫过程的转移核F假定，随着时间的前进。
然而，这是多目标检测的限制太多了。
最好的过渡内核可能来自于一个不同的直接前体物，根据解剖上下文。
在本文中，我们使用成对的依赖我们的模型作为一个高斯分布从训练数据估计。
我们将展示如何选择最佳的j下。
3.2.选择阶的检测不像视频，在观测中出现的自然反弹顺序的方式，在多目标检测的空间秩序必须选择。
我们的目标是选择的顺序，后验概率最大化。
因为确定此订单中的对象的数目的指数复杂度，我们采用贪婪的方法。
我们首先将训练数据分成两组。
使用第一组，我们培训对象检测器分别得到后验分布。
第二集用于顺序选择如下。
我们的目标是建立一个分层检测网络（HDN）的顺序选择。
如图3所示，HDN 是成对的，前馈神经网络。
需要注意的是，级联的HDN的特殊情况。
假设我们和有序的探测器上的。
我们的目标是增加网络的最佳配对（或前馈路径），最大限度地提高以下分[的期望值；（J）]在S和（j）从二训练集计算：其中期望值近似为所有第二训练数据集的例子的计算成本的样本均值。
图3 分层检测网络图（HDN）和顺序的选择。
看到文本的细节。
3.3.检测尺度选择许多以前的目标检测算法[ 17，19 ]使用一个单一的图像大小的街区FVIG。
通常情况下，这个尺寸和相应的检索步骤需要选择先验的NAL检测结果和计算速度[ 1 ]的平衡精度。
我们建议采用分层检测解决这个问题。
在检测过程中，更大的上下文对象是在粗糙的图像分辨率导致对噪声的鲁棒性，闭塞，和丢失的数据。
通过搜索在一个较小的邻域在NER分辨率达到较高的检测精度。
表示尺度参数为HDN，我们把尺度参数为使用顺序的选择以及一个额外的参数。
4 实验过程我们的实验是对左心房及胎儿三维超声图像的二维超声图像。
在这两种情况下，我们测试的自动检测顺序/规模的选择（3.2节）提供的分层检测定量评估（3.3节）。
4.1.样本策略在第一组实验中，我们检测了左心房的地标的左心房（LA）在心尖两腔心内膜壁（A2C）视图（图1）。
洛杉矶AP的出现是由于在成像过程中的噪声是在超声波探头的远端。
专家注释已经地标共417张图片。
图像的大小是120的120像素的平均。
三位置检测器进行训练独立美国281图片。
本试验的检测顺序是固定的：09！01！05（见图6的地标编号）。
我们测试的两个不同的采样策略在检测136看不见的图像内。
在第一个战略，我们获得的最重的样品数。
第二策略，我们获得了M = 2000的样品具有最强的重量和执行k-均值聚类得到的模态数。
每一个里程碑式的检测后，这些样品的传播到下一个阶段。