fastrcnn、yolo输出层的比较，以及anchor是啥

最新推荐文章于 2024-07-07 17:35:02 发布
最新推荐文章于 2024-07-07 17:35:02 发布
阅读量2.1k 收藏 5
点赞数 1
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/china026/article/details/87996123
版权
本文详细对比了Fastrcnn和YOLO系列模型（V1、V2、V3）中关于Anchor的概念以及输出层的设计。在Fastrcnn中，每个特征点预测9个Anchor框；而YOLO则通过不同尺度的特征图预测目标，V1使用7x7网格，V2引入5种Anchor并预测框的相对偏移量，V3扩展为3个尺度覆盖9个Anchor。
摘要由CSDN通过智能技术生成

一、Fastrcnn里的anchor是啥

https://blog.csdn.net/as472780551/article/details/81227408

所谓anchor，就是特征图上的点预测的大小和长宽比例不同的K个框，这些框以该点对应到原图上的坐标点为中心。在Fastrcnn中，一个点预测9个框（9个anchor），这9个框的大小和比例都是事先设定好的。

 

二、Fastrcnn的输出层

51x39x256的特征图，每个点用一个3x3的卷积滑动。生成51x39x（9*4）和51x39x（9*2）的两个特征图，（9*4）和（9*2）就分别用来预测该点的anchor框与GT框的平移缩放值和前景背景概率。（与IOU最大的那个GT）

三、YOLO V1输出层：

7x7x30，表示SxSx(B∗5+C) = 7x7x(2*5 + 20)。

SxS表示网格数量，B表示每个点预测框的个数，C表示能检

最低0.47元/天 解锁文章
china026
关注
专栏目录
使用 YOLO 前端和 Fast RCNN 后端的面罩检测模型
06-21
这是一个使用 YOLO 前端和 Fast RCNN 后端的面罩检测模型。 我们使用 YOLO 的逐像素对象预测作为 Fast RCNN 的区域提议器。不同大小的像素（通过使用不同大小的过滤器）对应于这些位置不同大小的 RoI。这种架构是为人脸检测量身定制的，因为它最适合“方形”对象。 objectness>0.5 的位置被送入 Fast RCNN 后端，用于边界框回归和图像分类（如正确佩戴口罩、佩戴不当口罩、无口罩） 该模型建立在在 ImageNet 上预训练的 InceptionV3 之上 数据集取自 Kaggle
Faster R-CNN中的RPN和anchor机制理解
nicajonh的博客
01-07 8494
先上图看一下Faster R-CNN操作流程：  图片说明：Faster R-CNN=Fast R-CNN+RPN，其中Fast R-CNN结构不变；RPN负责生成proposals，配合最后一层的feature map，使用ROI Pooling，生成fixed length的feature vector。我们详细讨论一下RPN的操作过程  图片说明，红框只是一个滑窗的操作过程，注意...
Faster R-CNN 和 YOLO 对比
最新发布
AndrewPerfect的博客
07-07 1577
性能和应用场景：适用于对检测精度要求较高的场景，如学术研究、工业检测等。它在处理复杂背景和多样化目标时具有优势，但由于速度较慢，不适合实时应用。YOLO：适用于需要高速度的实时检测场景，如自动驾驶、视频监控等。虽然精度相对较低，但其速度和效率使其在实时应用中非常有竞争力。模型复杂度和资源需求：模型复杂，训练和推理时间较长，需要较多计算资源。适合在有强大硬件支持的情况下使用。YOLO：模型简单，训练和推理速度快，资源需求较低。适合在资源有限的设备上进行实时检测。
安全帽佩戴智能识别系统 YOLOv5
燧机科技的博客
07-15 547
安全帽佩戴智能识别系统基于Python基于YOLOv5深度学习架构，对现场画面进行实时分析，发现违规行为立即抓拍告警。YOLO网络是一个以目标检测为目的而设计的网络。YOLO系列算法的基本思想是将输入图像分 割为S×S个单元格， 且每个单元格生成B 个边界框， 由被检测目标中心点所在的单元格负责该目标的检测， 并计算对应边界框的置信度。
RCNN、SSPnet、FastRCNN、FasterRCNN、YOLO。
m0_37644085的博客
09-30 992
序:几张图 一：关系https://www.zhihu.com/question/35887527/answer/140239982 二： 【图像分类，图像定位，目标检测和实例分割】 一、RCNN &创新点 采用CNN网络提取图像特征，从经验驱动的人造特征范式HOG、SIFT到数据驱动的表示学习范式，提高特征对样本的表示能力； 采用大样本下有监督预训练+...
yolov5源码解析(9)--输出
10-24 1万+
本文章基于yolov5-6.2版本。主要讲解的是yolov5是怎么在最终的特征图上得出物体边框、置信度、物体分类的。
rcnn、fast rcnn、faster rcnn和yolo的算法原理和流程
03-21
本ppt解释了rcnn、fast rcnn、faster rcnn和yolo的算法原理和流程。
经典深度学习论文 rcnn fast-rcnn faster-rcnn mask -rcnn yolo系类 DOTA
04-13
这一领域的几个里程碑式的工作包括RCNN、Fast R-CNN、Faster R-CNN、Mask R-CNN以及YOLO系列。这些模型的发展推动了物体检测技术的进步，提高了速度和精度。 1. **RCNN（Region-based Convolutional Neural ...
Fast R-CNN_RCNN_FastRCNN实现_faster-rcnn_CNN_fasterRCNN_
10-02
Fast R-CNN、RCNN（区域卷积神经网络）以及Faster R-CNN是这一领域的里程碑式工作，它们为现代目标检测算法的发展奠定了基础。以下是对这些技术的详细解释。 **RCNN（Region-based Convolutional Neural Networks）...
RCNN，FastRCNN，FasterRCNN论文
11-01
**RCNN，FastRCNN，FasterRCNN论文解析** 目标检测是计算机视觉领域中的一个核心任务，旨在在图像中定位并识别出不同类别的物体。RCNN（Region-based Convolutional Neural Network）系列算法是该领域的重要里程碑...
拉普拉斯噪声
hehehehejiejie的博客
10-30 2089
差分隐私中的拉普拉丝噪声
YOLOv5网络模型的结构原理讲解（全）
热门推荐
码农研究僧的博客
04-25 6万+
YOLOv5有几种不同的架构，各网络模型算法性能分别如下： YOLOv5是一种目标检测算法，其模型结构主要包括以下组成部分：输入端：YOLOv5的Head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标。Backbone网络：YOLOv5使用CSPDarknet53作为其主干网络，其具有较强的特征提取能力和计算效率。Neck网络：YOLOv5使用的是FPN(FPN网络能够在不同的特征图层次上进行检测，可以提高目标检测的性能)网络，可以融合来自不同特征图层次的信息。输出端：损失函数，YOLOv5使用的
用21489做超低延时的主动降噪应用（四）：ADAU1777的开发详解
ADI_OP的博客
09-12 1785
21489的开发中，ADAU1777作为codec应该怎么配置
C#实现卡尔曼滤波器去噪（简易版）
mingzhi_wu的博客
04-25 6620
基于.Net的C#实现卡尔曼滤波去噪
2021-07-13-P3187 [HNOI2007]最小矩形覆盖（凸包，旋转卡壳，凸包最小矩形覆盖--求面积及各点）
I_have_a_world的博客
07-13 1万+
传送门 题意： 给定一些点的坐标，要求求能够覆盖所有点的最小面积的矩形，输出所求矩形的面积和四个顶点坐标。 3≤n≤500003\le n\le 500003≤n≤50000 输入n及n个点 输出面积及四个点坐标（按一定顺序，不用纠结） 题解： 先求凸包，然后再旋转卡壳 旋转卡壳具体操作：枚举点，然后卡三个点（怎么卡？建议自己推） 收获： 除了熟悉了凸包和旋转卡壳之外，还学到了很多有用的新操作，比如点到直线的距离，点到直线的投影，过一点的平行线 以及线的倾斜角，atan ，atan2等。 学的新东
YOLO系列详解（YOLO1-YOLO5）
weixin_45303602的博客
02-23 2万+
YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。
Faster-rcnn中Anchor的理解
Christo的博客
08-19 2889
文章目录1，Anchor是如何生成的？1.1 特征图如何得到Anchor的生成过程2，Anchor的作用是什么？ 1，Anchor是如何生成的？ 1.1 特征图如何得到 假设对于网络输入的图像尺寸大小为3*600*800，那么经过VGG网络4次卷积池化后我们会得到的特征图的尺寸为38*50*256的特征图，这里面有两点需要注意： 所有的conv层都是：kernel_size=3，pad=1，stride=1 所有的pooling层都是：kernel_size=2，pad=0，stride=2 在Fast
YoloV3学习笔记（六）—— YoloV3-tiny
Lcl_huolitianji的博客
03-27 9201
YoloV3学习笔记（六）YoloV3学习笔记（六）—— YoloV3-tiny一、网络架构二、总结 YoloV3学习笔记（六）—— YoloV3-tiny yolov3-tiny中，共有两个输出层（yolo层），分别为13x13和26x26，每个网格可以预测3个bounding box，共有80个分类数。所以最后的yolo层的尺寸为：13x13x255和26x26x255。 一、网络架构 yolov3-tiny网络层结构如下： 可以看出，yolov3-tiny共有23层网络，其中包含五种不同的网络层：卷
色噪声的产生及MATLAB实现
YHCANDOU的博客
04-05 9284
色噪声
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值