目标检测方法系列：R-CNN, SPP, Fast R-CNN, Faster R-CNN, YOLO, SSD

最新推荐文章于 2024-04-19 05:48:18 发布

复兴之矢

最新推荐文章于 2024-04-19 05:48:18 发布

阅读量1.6k

点赞数

分类专栏： RCNN系列目标检测文章标签： rcnn系列 SSD yolo 目标检测

RCNN系列同时被 2 个专栏收录

17 篇文章 0 订阅

订阅专栏

目标检测

9 篇文章 0 订阅

订阅专栏

本文转载自：

http://www.cnblogs.com/lillylin/p/6207119.html

目标检测方法系列——R-CNN, SPP, Fast R-CNN, Faster R-CNN, YOLO, SSD

从传统方法到R-CNN

R-CNN的三大步骤：得到候选区域，用cnn提取特征，训练分类器（后两步放在一个网络中，用softmax做分类器也可以）

从R-CNN到SPP

R-CNN必须限制输入图像大小（全连接层要求）

SPP的两大优势：可变输入大小 + 各patch块之间卷积计算是共享的

SPP的缺陷：multi-stage，训练和测试都比较慢

Fast R-CNN

Fast R-CNN通过ROI pooling（一层的SPP）,multi-task等改进大大提高速度

Fast R-CNN的优势与弱势

Faster R-CNN

Faster R-CNN对于Fast R-CNN的改进在于把region proposal的步骤换成一个CNN网络（RPN）

Faster R-CNN的两个base model: ZF，VGG16 （base model的中间conv输出即为要输入到RPN的那个feature map）

Faster R-CNN的锚点anchor box

Faster R-CNN的损失函数

Faster R-CNN的四步训练

YOLO

从Faster R-CNN到YOLO

YOLO的pipeline

YOLO的网络结构

YOLO的模型（最右图为网络输出的tensor）

YOLO的损失函数

YOLO的优势和劣势

SSD

SSD的pipeline和关键技术

SSD的网络结构

SSD的多尺度特征图

SSD的default box

SSD的default box与faster r-cnn的anchor box的对比

SSD的训练样本与groundTruth的匹配策略 + 损失函数

SSD的default box和尺度选择

总结

从R-CNN → SPP → Fast R-CNN → Faster R-CNN → YOLO → SSD整体在准确率和速度上都在提高

参考文献

R-CNN

- - Girshick, R., Donahue, J., Darrell, T., Malik, J.: Rich feature hierarchies for accurate object detection and semantic segmentation. In: CVPR. (2014)
SPP
- - He, K., Zhang, X., Ren, S., Sun, J.: Spatial pyramid pooling in deep convolutional networks for visual recognition. In: ECCV. (2014)
Fast R-CNN
- - Girshick, R.: Fast R-CNN. In: ICCV. (2015)
Faster R-CNN
- - Ren, S., He, K., Girshick, R., Sun, J.: Faster R-CNN: Towards real-time object detection with region proposal networks. In: NIPS. (2015)
YOLO
- - Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: Unified, real-time object detection. In: CVPR. (2016)
SSD
- - W. Liu, D. Anguelov, D. Erhan, C. Szegedy, and S. Reed. SSD: Single shot multibox detector. arXiv:1512.02325v2, 2015