目标检测
物体检测、人脸检测、行人检测等
eternity1118_
不积跬步无以至千里,不积小流无以成江海
展开
-
常见传统目标检测算法
一 概览首先,我们先来看下目标检测的发展历程:1.2001年,V-J检测器诞生,主要用于人脸的检测;2.2006年,HOG + SVM的方法出现,主要用于行人的检测;3.2008年,rgb大神(记住这个人,后面的R-CNN系列检测算法也是出自他之手)研究出了著名的DPM算法,在深度学习方法成熟之前的很长一段时间里,就是这个算法一直在目标检测中发挥作用;以上算法是属于传统目标检测的算法...原创 2019-03-29 18:15:57 · 20356 阅读 · 2 评论 -
two-stage与one-stage目标检测算法概览
two-stage检测算法1、特点1)主干网络为CNN,提取卷积特征;2)最早由rgb提出,典型代表为R-CNN;3)是一种端到端的目标检测算法(基于RPN网络);4)准确度高,速度相对one-stage慢;2、检测流程简单来说,就是首先产生候选区域,然后提取CNN特征,再进行区域分类和位置精修。3、常见算法代表算法有:R-CNN,Fast R-CNN,Faster R-CNN...原创 2019-04-23 17:44:07 · 4077 阅读 · 0 评论 -
目标检测之R-CNN通俗详解
算法介绍R-CNN算法由rbg大神在2014年提出,在此之前,传统的目标检测算法还存在性能和速度上的巨大瓶颈,而R-CNN的提出无疑在性能和速度上都对传统目标检测算法是一个很大的提升。尽管R-CNN在算法框架和模型上仍然类似于传统目标检测算法,但是它的突破点就在于利用CNN卷积网络提取深度特征,区别于传统算法中的类似于颜色、纹理等低层次特征。主要步骤接下来,我们来看下R-CNN是如何使用C...原创 2019-04-29 15:56:24 · 727 阅读 · 0 评论 -
目标检测之SPPNet通俗详解
R-CNN算法中我已经知道了它的几个缺点,分别是:提取候选框耗时、重复计算、多次训练;针对以上几个缺点,作者对R-CNN做了改进和优化,改进的主要突破就在于对卷积特征进行共享,避免重复计算,减小计算量。先来看下下面这张图,第一行就是原始R-CNN的特征提取和表示的过程:由于要将同一个卷积层的输出作为FC层的输入,所以必须要保证feature map的大小一致(因为全连接层对特征个数有严格要求...原创 2019-04-30 12:29:45 · 943 阅读 · 0 评论 -
目标检测之Fast R-CNN通俗详解
Fast R-CNN 介绍R-CNN算法除了候选框选取上耗时的缺陷外,另外一个最大的缺陷就是矩形框重叠部分的特征提取存在重复计算,针对这个缺陷,R-CNN的作者继续发力,又提出了R-CNN的快速版本,即Fast R-CNN。Fast R-CNN就是R-CNN结合SPPNet所做的改进和优化,采用了ROI Pooling层来完成image的crop或者warp,得到固定尺寸的输出给到fc层(这里...原创 2019-04-29 18:02:58 · 615 阅读 · 0 评论 -
SSD算法通俗详解
算法简介 算法原理 样本构造 损失函数 使用细节#ssd算法:##简介刘伟在2016年提出,发表在ECCV;是一种通过直接回归的方式去获取目标类别和位置的one-stage算法,不需要proposal;作用在卷积网络的输出特征图上进行预测,而且是不同尺度,因此能够保证检测的精度,图像的分辨率也比较低,属于端到端的训练;input->CNN->Lreg,LclsCNN特征-&g...原创 2019-03-28 14:41:55 · 6184 阅读 · 0 评论 -
SSD系列算法扩展与优化
#SSD算法缺陷1)存在重复框的问题;2)对小目标检测不够鲁棒(因为浅层feature map的表征能力不够强)因此,针对以上问题,对传统SSD算法进行了扩展和优化;优化主要从两部分下手,一个是从主干网络,比如将传统的VGG16换成ResNet、DenseNet、MobileNet等;另一个则是从预测网络着手,寻找更好的特征表征方式来提高模型性能,比如通过反卷积引入上下文信息,丰富不同fea...原创 2019-03-29 15:14:44 · 3336 阅读 · 0 评论