【动手学】44 物体检测算法：R-CNN，SSD，YOLO

最新推荐文章于 2024-09-14 15:52:47 发布
最新推荐文章于 2024-09-14 15:52:47 发布
阅读量723 收藏 2
点赞数 1
分类专栏： 沐神 文章标签： 目标检测
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/ckq707718837/article/details/124412717
版权

1、 R-CNN

在这里插入图片描述

  • 使用启发式搜索算法来选择锚框，如 selective search
  • 使用预训练模型来对每个锚框抽取特征
  • 训练一个SVM对类别分类 【深度学习之前常使用】
  • 训练一个线性回归模型来预测边缘框偏移

[思考🤔]怎么样使得产生的不一样大小锚框形成 一个batch？

兴趣区域（RoI）池化层

  • 给定一个锚框，均匀分割成n×m块，输出每块里最大值
  • 不管锚框多大，输出总为nm个值
    在这里插入图片描述

Fast RCNN

  • 使用CNN对图片抽取特征
  • 使用RoI池化层对每个锚框生成固定长度特征
    在这里插入图片描述

【思考🤔】这里主要是简化计算量，将图像全部区域抽取特征后，在特征层上使用selective search的方法生成锚框，通过RoI池化将锚框整合成相同大小的向量的batch。其中减小的计算量主要是锚框重合区域提取特征的开销。

Faster R-CNN

  • 使用一个区域提议网络（RPN）来替代启发式搜索（selective search）来获得更好的锚框
    在这里插入图片描述

Mask R-CNN

  • 如果有像素级的标号，使用FCN来利用这些信息
  • RoI Pooling 变成 RoI Align
    在这里插入图片描述

【说明】RoI Pooling在像素不能平分的情形做分割任务会有较大误差，使用RoI Align 将像素级别通过加权的方式平分共用像素；也就是说，align 没有暴力取整，保留浮点位置，并使用双线性插值，提升精度
在这里插入图片描述

【🤔】有像素级标签的网络模型中添加FCN就能做语义分割。

模型进度对比

在这里插入图片描述

总结

  • R-CNN 是最早、也是最有名的一类基于锚框和CNN的目标检测算法
  • Fast、Faster R-CNN持续提升性能
  • Faster R-CNN 和Mask R-CNN是在追求高精度场景下常用算法

SSD（单次多框检测）

  • 对每个像素，生成多个以它为中心锚框
  • 给定n个大小s1，s2…,sn 和m个高宽比，那么生成n+m-1个锚框，其中大小和宽高比分别为：(s1,r1),(s2,r1)…(sn,r1),(s1,r2)…(s1,rm)
    在这里插入图片描述

SSD 模型

  • 一个基础网络来抽取特征，然后多个卷积层来减半高宽
  • 在每段都生成锚框
    • 底部段生成锚框来检测小物体，顶部段来检测大物体
      -对每个锚框预测类别和边缘框
      在这里插入图片描述

【思考🤔】生成100万个锚框，速度还能达到这么快，不过精度不是很高。主要出现的很早。相对R-CNN简单

总结

  • SSD 通过单神经网络来检测模型
  • 以每个像素为中心的产生多个锚框
  • 在多个段的输出上进行多尺度的检测

YOLO（只看一次）

  • SSD中锚框大量重叠，因此浪费了很多计算
  • YOLO将图片均匀分成S×S个锚框
  • 每个锚框预测B个边缘框
  • 后续有持续版本改进
    在这里插入图片描述
瑾怀轩
关注
专栏目录
44物体检测算法：R-CNN，SSD，YOLO【动手学深度学习v2】
Cypresszky的博客
01-30 672
目标检测模型简单介绍
一文读懂物体检测(包括R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD物体检测)
Danbinbo的博客
09-21 2724
一文读懂物体检测(包括R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD物体检测) ...
三种强大的物体识别算法介绍
01-15
一个介绍物体识别算法的介绍，SIFTSURF、haar特征、广义hough变换的特性对比分析。
三种强大的物体识别算法——SIFT/SURF、haar特征、广义hough变换的特性对比分析
热门推荐
cy513的专栏
06-20 7万+
识别算法概述： SIFT/SURF基于灰度图，一、首先建立图像金字塔，形成三维的图像空间，通过Hessian矩阵获取每一层的局部极大值，然后进行在极值点周围26个点进行NMS，从而得到粗略的特征点，再使用二次插值法得到精确特征点所在的层（尺度），即完成了尺度不变。二、在特征点选取一个与尺度相应的邻域，求出主方向，其中SIFT采用在一个正方形邻域内统计所有点的梯度方向，找到占80%以
物体识别的相关算法有那些
最新发布
xie__jin__cheng的博客
09-14 1368
综上所述，物体识别领域存在多种算法，每种算法都有其独特的优点和适用场景。在实际应用中，需要根据具体需求和场景选择合适的算法进行实现。物体识别是计算机视觉领域的一个重要任务，它涉及从图像或视频帧中检测并识别出预定义或未知的物体。
计算机视觉算法中的物体识别（Object Recognition）
牛肉胡辣汤
09-12 1856
物体识别是指计算机利用图像或视频数据，通过算法自动识别和分类出图像中的物体。这不仅包括了对物体的检测，还包括了对物体的分类和定位。物体识别的目标是使计算机能够像人类一样理解和分析图像中的内容。
物体检测算法有哪些？
qq_44881930的博客
05-28 702
R-CNN（Region-based Convolutional Networks）：R-CNN 是一种基于区域的卷积神经网络，首先使用选择性搜索（Selective Search）提取图像中的潜在物体区域，然后使用卷积神经网络（CNN）对每个区域进行特征提取和分类。不同的物体检测算法对计算资源的需求不同。如果任务对准确性有较高要求，可以考虑使用 R-CNN 系列算法（如 Faster R-CNN）或其他在准确性上表现较好的算法（如 RetinaNet、EfficientDet）。
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
目标检测算法概述 本文将对目标检测算法进行概述，包括传统的目标检测算法、候选区域/窗 + 深度学习分类、基于深度学习的回归方法。 一、目标检测概述 目标检测是图像处理中的一个基本问题，即在给定的图片中精确...
目标检测算法解析：R-CNN、YOLO、SSD与可视化工具
本资源主要涵盖了三种流行的目标检测算法：R-CNN、YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）。这些算法各有特点，R-CNN系列（包括R-CNN、Fast R-CNN和Faster R-CNN）属于两阶段方法，首先...
目标检测方法解析：R-CNN、YOLO与SSD
"该资源是一个关于目标检测方法的PPT概述，涵盖了从基础概念到具体算法的详细介绍，包括R-CNN、YOLO和SSD。适合初学者了解和深入理解目标检测领域。" 目标检测是计算机视觉中的关键任务，旨在识别图像中的特定对象...
深度学习目标检测算法详解：R-CNN、YOLO、SSD
"这篇文档详细介绍了基于深度学习的目标检测算法模型，涵盖了R-CNN系列、YOLO系列和SSD算法，旨在帮助科研工作者理解和学习这些技术。文档按技术发展顺序整理，提供了中文翻译，便于交流学习。" 目标检测是计算机...
物体识别相关的算法
xie__jin__cheng的博客
07-29 1471
物体识别相关的算法
44 物体检测算法：R-CNN，SSD，YOLO [动手学深度学习v2]
gpx33333的博客
01-15 817
R-CNN 图1.R-CNN模型 使用启发式搜索算法来选择锚框； 使用预训练模型来对每个锚框抽取特征； 训练一个SVM来对类别分类； 训练一个线性回归模型来预测边缘框偏移。 兴趣区域（RoI）池化层 给定一个锚框，均匀分割成n×mn \times mn×m块，输出每块里的最大值； 不管锚框多大，总是输出nmnmnm个值。 图2.一个2 x 2的兴趣区域汇聚层 Fast R-CNN 图3.Fast R-CNN模型 使用CNN对图片抽取特征； 使用Selective search基于原..
动手学深度学习之物体检测算法R-CNN，SSD，YOLO
Trony的博客
08-29 1161
区域卷积神经网络R-CNN R-CNN 首先是使用启发式搜索算法来选择锚框，选出很多锚框之后，对于每一个锚框当作一张图片，使用一个预训练好的模型来对他进行特征抽取，然后训练一个SVM来对类别进行分类。使用一个线性回归模型来预测边缘框的偏移。 兴趣区域(Rol)池化层 上面我们得到不同的锚框，我们怎么将其变为一个batch？ 使用RoI Pooling：给定一个锚框，我们将它均匀的切成n×mn\times mn×m块，然后输出每一块中的最大值。这样不管锚框多大，总是输出nm个值。这样我们就可以将不同的
总结各种物体检测算法
poilkj110的博客
04-19 1万+
第一，覆盖所有基于区域的目标检测算法，包括：Fast RCNN, Faster-RCNN, Mask RCNN, R-FCN, FPN.第二， 介绍SSD算法（single shoot detectors）第三，介绍所有算法的表现和实现细节。Part1 我们从基于区域的物体检测器中学到了什么？Part2 我们从SSD中学习到什么？Part3如何选择设计思路以及目标检测趋势首先介绍滑动窗口检测器 s...
物体检测算法-R-CNN，SSD，YOLO
qq_41286360的博客
05-22 2319
目标检测算法主要分为两个类型（1）two-stage方法，如R-CNN系算法（region-based CNN），其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高。
CV《物体识别与检测2 - 多目标识别基本算法》
qq_29367075的博客
10-25 2542
本文是根据Andrew Ng的深度学习视频学习，自己总结的。这一系列先只学习关键技术和设计，具体的实例等下一期进行。 一：多object的识别与检测 现在我们来个复杂一些的，在一副图像中我们存在多个不同的检测目标体，比如在自动驾驶中，在一幅图像中存在行人，汽车，摩托车各个若干，如下图所示。 这时候，单object检测的算法就失去了作用，必须得做出一些改变出来。 二：基于滑动窗口的检测技术 一个比较朴素的思路就是，我们上一文章中，既然已经训练好了单个图像识别的模型，何不充分利用整个思路呢。 思路如下：我们
YOLO-V1~V3经典物体检测算法介绍
suic009的博客
02-09 2776
YOLO-V1~V3经典物体检测算法介绍
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

打赏作者

瑾怀轩

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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