目标检测：R-CNN系列，YOLO系列，SSD总结

最新推荐文章于 2024-03-20 18:06:09 发布
最新推荐文章于 2024-03-20 18:06:09 发布
阅读量6.9k 收藏 77
点赞数 7
分类专栏： 计算机视觉（CV） 深度学习（DL）
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/ft_sunshine/article/details/98342015
版权

文章目录

概要

对于现在想入门目标检测的同学来说，R-CNN系列，YOLO系列和SSD很可能是最早会接触的一些目标检测算法。不得不说，这三个算法真的是非常非常经典的目标检测算法，在熟悉了这三个算法之后，基本就可以说自己已经在目标检测领域入门了。

目前网络上已经有了很多很不错的讲解这三个算法模型的文章，自认为在有限的时间内很难去写到那种高质量的文章，况且也没必要（自己本来已经写了好多这三个算法的详解，不过质量不满意就删掉了。。。。嘤嘤嘤），在这里我主要是来概述一下这三种经典的目标检测方法，并在最后给出一些比较好的文章的链接（强烈推荐阅读！！！）。感谢各位高质量文章的作者！

对这几种算法都有了一定了解（看论文和我文末推荐的文章呀！）之后再来看这个总结相信效果会更好。
在这里插入图片描述

-------------------话不多说，开始正文-------------------

计算机视觉领域（CV）有几大任务，想象一下，如果我们想为盲人设计一款导盲产品，盲人过马路时系统摄像机拍到了如下的图像，那么需要完成那些视觉任务呢？
  1. 图像分类：为图片中出现的物体目标分类出其所属类别的标签，如画面中的人、楼房、街道、车辆数目等；
  2. 目标检测：将图片或者视频中感兴趣的目标提取出来（找到其位置并识别其种类），对于导盲系统来说，各类的车辆、行人、交通标识、红绿灯都是需要关注的对象；
  3. 图像语义分割：将视野中的车辆和道路勾勒出来是必要的，这需要图像语义分割技术做为支撑，勾勒出图像物体中的前景物体的轮廓；
  4. 场景文字识别：道路名、绿灯倒计时秒数、商店名称等，这些文字对于导盲功能的实现也是至关重要的。

以上已经囊括了计算机视觉（CV）领域的四大任务，在CV领域主要有八项任务，其他四大任务包括：图像生成、人体关键点检测、视频分类、度量学习等。

目标检测作为CV的一大任务之一，其对于图片的理解也发挥着重要的作用，本文主要介绍三种“最”经典的目标检测算法：Faster R-CNN，YOLO，SSD。

目标检测如何运作

目标检测定位图像中物体的位置，并在该物体周围绘制边界框，这通常涉及两个过程，分类物体类型，然后在该对象周围绘制一个框（即定位加分类）。现在让我们回顾一下用于目标检测的一些常见模型架构：

  • R-CNN
  • Fast R-CNN
  • Faster R-CNN
  • Mask R-CNN
  • SSD (Single Shot MultiBox Defender)
  • YOLO (You Only Look Once)

R-CNN

该技术结合了两种主要方法：将高容量卷积神经网络应用于自下而上的候选区域，以便对物体进行局部化和分割，并监督辅助任务的预训练。接下来是特定领域的微调，从而产生高性能提升。论文的作者将算法命名为R-CNN（具有CNN特征的区域），因为它将候选区域与卷积神经网络相结合。
在这里插入图片描述
模型接收图像并提取约2000个自下而上的候选区域，然后，它使用大型CNN计算每个候选区域的特征，此后，它使用特定类的线性支持向量机（SVM）对每个区域进行分类，该模型在PASCAL VOC 2010上实现了53.7％的平均精度。

模型中的物体检测系统有三个模块：第一个负责生成与类别无关的候选区域，这些候选区域定义了模型检测器可用的候选检测器集；第二个模块是一个大型卷积神经网络，负责从每个区域提取固定长度的特征向量；第三个模块由一类支持向量机组成。
在这里插入图片描述
模型内部使用选择性搜索来生成区域类别，选择性搜索根据颜色、纹理、形状和大小对相似的区域进行分组。对于特征提取，该模型通过在每个候选区域上应用Caffe CNN（卷积神经网络）得到4096维特征向量，227×227 的RGB图像，通过五个卷积层和两个全连接层前向传播来计算特征。

R-CNN的一些缺点是：

  • 训练是一个多阶段的任务，调整物体区域的卷积神经网络，使SVM（支持向量机）适应ConvNet（卷积网络）功能，最后学习边界框回归；
  • 训练在空间和时间上都很昂贵，因为VGG16是占用大量空间的深层网络；
  • 目标检测很慢，因为它为每个候选区域都要执行ConvNet前向传播。

Fast R-CNN

下图中展示的论文提出了一种基于快速区域的卷积网络方法（Fast R-CNN）进行目标检测，它在Caffe（使用Python和C ++）中实现，该模型在PASCAL VOC 2012上实现了66％的平均精度，而R-CNN则为62％。
在这里插入图片描述
与R-CNN相比，Fast R-CNN具有更高的平均精度，单阶段训练，更新所有网络层的训练，以及特征缓存不需要磁盘存储。

在其结构中，Fast R-CNN将图像作为输入同时获得候选区域集，然后，它使用卷积和最大池化图层处理图像，以生成卷积特征图，在每个特征图中，对每个候选区域的感兴趣区域（ROI）池化层提取固定大小的特征向量。

这些特征向量之后将送到全连接层，然后它们分支成两个输出层，一个产生几个对象类softmax概率估计，而另一个产生每个对象类的四个实数值，这4个数字表示每个对象的边界框的位置（变换因子）。

Faster R-CNN

Faster R-CNN：利用候选区域网络实现实时目标检测，提出了一种训练机制，可以对候选区域任务进行微调，并对目标检测进行微调。
在这里插入图片描述
Faster R-CNN模型由两个模块组成：提取候选区域的深度卷积网络，以及使用这些区域FastR-CNN检测器， Region Proposal Network将图像作为输入并生成矩形候选区域的输出，每个矩形都具有检测得分。
在这里插入图片描述

Mask R-CNN

下面提出的模型是上述Faster R-CNN架构的扩展，它还能够估计人体姿势。
在这里插入图片描述
在此模型中，物体通过边界框和语义分割实现分类和局部化，语义分割是将图片中每个像素分类。该模型通过在每个感兴趣区域（ROI）添加分割掩模的预测来扩展Faster R-CNN， Mask R-CNN产生两个输出，类标签和边界框。

SSD: Single Shot MultiBox Detectorz

下面的论文提出了一种使用单个深度神经网络预测图像中物体的模型。网络使用特征图的小卷积滤波器为每个对象类别生成分数。
在这里插入图片描述
该方法使用前馈卷积神经网络，产生特定目标的一组边界框和分数，添加了卷积特征图层，允许在多个尺度上进行特征检测，在此模型中，每个特征图单元格都关联到一组默认边界框，下图显示了SSD512模型在动物，车辆和家具上的表现。
在这里插入图片描述

YOLO (You Only Look Once)

下图中展示的文章提出了一种单一的神经网络，可以在单次评估中预测图像中的边界框和类概率。

YOLO模型实时处理每秒45帧，YOLO将图像检测视为回归问题，这使得其管道非常简单因此该模型非常快。

它可以实时处理流视频，延迟小于25秒，在训练过程中，YOLO可以看到整个图像，因此能够在目标检测中包含上下文。
在这里插入图片描述
在YOLO中，每个边界框都是通过整个图像的特征来预测的，每个边界框有5个预测，x，y，w，h和置信度，（x，y）表示相对于网格单元边界的边界框中心， w和h是整个图像的预测宽度和高度（相对于整个图像来说的比例）。

该模型通过卷积神经网络实现，并在PASCAL VOC检测数据集上进行评估。网络的卷积层负责提取特征，而全连接的层预测坐标和输出概率。
在这里插入图片描述
该模型的网络架构受到用于图像分类的GoogLeNet模型的启发，网络有24个卷积层和2个完全连接的层，模型的主要挑战是它只能预测一个类，并且它在诸如鸟类之类的小物体上表现不佳。

该模型的网络架构受到用于图像分类的GoogLeNet模型的启发，网络有24个卷积层和2个完全连接的层，模型的主要挑战是它只能预测一个类，并且它在诸如鸟类之类的小物体上表现不佳。
在这里插入图片描述
此模型的平均AP精度为52.7％，但能够达到63.4％。

References（强烈推荐阅读！）

强烈推荐阅读下面的文章，如果有疑惑可以再去论文中找答案。（Talk is cheap, show me the code.）

aift
关注
  • 7
    点赞
  • 踩
  • 77
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
目标检测原理与实践:RCNNSSDYOLO演进历程
禅与计算机程序设计艺术
05-14 997
1. 背景介绍 1.1 计算机视觉领域概述 计算机视觉是人工智能的一个重要分支，其目标是使计算机能够“看到”和理解图像，如同人类视觉系统一样。目标检测作为计算机视觉中的一个核心任务，旨在从图像或视频中识别出特定目标的位置和类别。近年来，随着深度学习技术的快速发展，目标检测技术取得了显著的进步，并在
目标检测之RCNN系列（一）RCNN
weixin_41940752的博客
05-12 286
总个过程分为4个步骤： a)selective search找出2000个候选框； CNN对输入图片的大小是固定的，因此对于每个输入的候选框都需要缩放到固定的大小； 用IOU为2000个bounding box打标签，以便下一步CNN训练使用。IoU大于0.5，那么我们就把这个候选框标注成物体类别，否则我们就把它当做背景类别。 b)利用CNN提取特征向量，特征维度为4096； 网络架构我们有两个可选方案：第一选择经典的Alexnet；第二选择VGG16。 精度比较：Alexnet精度为58.5%，VGG16
44 物体检测算法：R-CNN，SSD，YOLO【李沐动手学深度学习v2课程笔记】
最新发布
qq_53826699的博客
03-20 1033
对每个像素生成多个以它为中心的多个锚框上图中绿色的点表示 SSD从图中可以看出，SSD 相对于Faster RCNN 来讲速度快很多，但是精度不是太好SSD 的实现相对来讲比较简单，R-CNN 系列代码的实现非常困难。
ssd yolo faster rcnn 对比
01-23
目标检测算法的介绍 In recent years, Convolutional Neural Network (CNN) has been widely applied in computer vision tasks and has achieved significant improvement in image object detection. The CNN methods consume more computation as well as storage, so GPU is introduced for real-time object detection. However, due to the high power consumption of GPU, it is difficult to adopt GPU in mobile applications like automatic driving. The previous work proposes some optimizing techniques to lower the power consumption of object detection on mobile GPU or FPGA. In the first Low-Power Image Recognition Challenge (LPIRC), our system achieved the best result with mAP/Energy on mobile GPU platforms. We further research the acceleration of detection algorithms and implement two more systems for real-time detection on FPGA with higher energy efficiency. In this paper, we will introduce the object detection algorithms and summarize the optimizing techniques in three of our previous energy efficient detection systems on different hardware platforms for object detection.
一文读懂目标检测之R-CNN系列，YOLO，SSD
cengjing12的博客
08-15 1683
一、目标检测常见算法 object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。 然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。 目前学术和工业界出现的目标检测算法分成3类： 传统的目标检测算法：Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化；
深度学习（5）之---目标检测综述：R-CNN、mask-RCNN、YOLO、SSD原理详解
yohnyang的博客
04-30 3571
目标检测综述：R-CNN、mask-RCNN、YOLO、SSD原理详解
【RCNN系列】Fast RCNN目标检测模型
Forward no stop
12-26 2225
上篇文章阐述了SPPNet网络模型，本篇文章详细阐述Fast RCNN目标检测模型。把Fast RCNN放在SPPNet之后不仅是遵循时间上前后顺序，更因为Fast RCNN也借鉴了SPPNet上面的一些技巧。 Fast RCNN论文：https://arxiv.org/abs/1406.4729 Fast RCNN论文翻译：https://alvinzhu.xyz/2...
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...
LabelImg 是一个可视化的图像标定工具。Faster R-CNN，YOLO，SSD等目标检测网络所需要的数据集。
04-21
它支持多种目标检测算法，如 Faster R-CNN、YOLO (You Only Look Once) 和 SSD (Single Shot Multibox Detector) 等。这些算法在训练模型时都需要大量的带有精确边界框的图像数据集，LabelImg 正是为此提供了一个...
基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN - Madcola - 博客园1
08-04
后续的工作，如YOLO（You Only Look Once）和YOLOv2/v3、SSD（Single Shot MultiBox Detector）等，继续在这个基础上进行改进，寻求更快、更准确的目标检测解决方案。这些技术在自动驾驶、安防监控、机器人导航、...
目标检测经典论文：RCNN系列，YOLO系列,SSD，相关综述类论文
07-01
本文将探讨几篇经典的目标检测论文，包括RCNN系列、YOLO系列和SSD，以及相关综述类论文，深入理解这些算法的核心思想、贡献及性能差异。 首先，RCNN（Region-based Convolutional Neural Networks）系列开创了深度...
SSD（single shot multibox detector）翻译
03-03
SSD（single shot multibox detector）翻译，含原论文
深度学习R-CNN、SSD、YOLO、FPN等目标检测必读论文
12-11
综上所述，这六种目标检测方法各有优势，R-CNN系列从候选区域生成到端到端的优化，YOLO和SSD提供了一种快速的单阶段检测解决方案，而FPN则为提高小目标检测精度提供了新的思路。了解和掌握这些算法，对于深入研究...
（三）目标检测之 R-CNN系列
天青如水的博客
12-16 2660
目标检测之 R-CNN系列R-CNNFast R-CNNFaster R-CNNMask R-CNN R-CNN,Fast R-CNN,Faster R-CNN,Mask R-CNN R-CNN系列的四篇文章如下： R-CNN: https://arxiv.org/abs/1311.2524 Fast R-CNN: https://arxiv.org/abs/1504.08083 Faster R-CNN: https://arxiv.org/abs/1506.01497 Mask R-CNN: htt
RCNN系列目标检测方法概述
AUTO1993的博客
11-12 3372
R-CNN系列算法是将将CNN方法引入目标检测领域的开山之作，极大改善目标检测的效果。 传统的目标检测：穷举的方式进行滑窗处理； R-CNN：基于候选区域的方法（region proposals） 一、预备知识 物体检测和图片分类的区别：图片分类不需要定位，而物体检测需要定位出物体的位置，也就是相当于把物体的bbox检测出来，还有一点物体检测是要把所有图
【R-CNN系列目标检测】R-CNN算法
m0_72429728的博客
11-03 392
重点参考和R-CNN（Regions with Convolutional Neural Network Features）【1】是RBG大神将CNN引入目标检测领域的开山之作，之后的一系列进化算法（、、、、、）都是受其启发做的R-CNN的：1）经典目标检测算法一般使用滑动窗口扫描所有可能区间，同时需要考虑变化窗口尺寸以适应不同大小的目标，这种方法效率太低。R-CNN使用方法预先提取所有候选区域2）经典目标检测算法依赖人工设计的特征，R-CNN使用深度学习自动提取和学习特征。
RCNN，SSD， YOLO的优缺点比较及反思
热门推荐
JianqiuChen的博客
01-17 4万+
RCNN，SSD， YOLO的优缺点比较及反思1. RCNNFast-RCNNFaster-RCNNFaster-RCNN 系列的反思2. YOLOYOLO V1YOLO V2YOLO V3YOLO系列的反思3. SSD 1. RCNN rcnn对于原有的目标检测算法提升50% 在VGG-16网络模型下，voc2007数据集上准确率为66%，但是速度很慢，内存占用量大，主要原因为候选框由速度较慢的...
44 物体检测算法：R-CNN，SSD，YOLO [动手学深度学习v2]
gpx33333的博客
01-15 785
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】week 10 | R-CNN，SSD，YOLO
davidyang_980的博客
02-05 485
R-CNN 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 把一个锚框分割为n×m块，输出每块里面的最大值，这样无论锚框多大，总是输出nm个值。RoI主要是为了解决锚框大小不同的问题，使得锚框可以被pooling成固定大小的，可以做一个batch的处理。 Faster RCNN 将图片变成一个特征图，再变成一个特征向量，在特征上对应锚框。这样的CNN不是对每个锚框抽取特征，而是对整个图片抽取特征
Faster R-CNN、YOLO、SSD等算法
06-13
Faster R-CNN、YOLO、SSD是目前最常用的基于深度学习的对象检测算法，它们在准确性和速度方面都有不同程度的优势。 Faster R-CNN算法是一种两阶段的目标检测算法，它将区域提取和分类两个任务分开，使用卷积神经网络（CNN）进行特征提取，然后使用区域提案网络（RPN）在特征图上生成候选框，最后使用分类器对候选框进行分类。Faster R-CNN算法在准确性方面表现良好，但速度相对较慢。 YOLO（You Only Look Once）算法是一种单阶段的目标检测算法，它使用卷积神经网络对整个图像进行处理，同时预测对象的位置和类别。YOLO算法速度很快，但在小目标检测和物体定位精度方面可能存在一些问题。 SSD（Single Shot MultiBox Detector）算法也是一种单阶段的目标检测算法，它使用卷积神经网络对整个图像进行处理，并在不同尺度的特征图上预测对象的位置和类别。SSD算法速度较快，而且在小目标检测和物体定位方面表现优秀。 总的来说，Faster R-CNN、YOLO、SSD等算法各有优劣，根据应用场景的不同，可以选择合适的算法进行目标检测。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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