计算机视觉之目标检测算法系列

最新推荐文章于 2024-06-14 17:31:18 发布
最新推荐文章于 2024-06-14 17:31:18 发布
阅读量1.2k 收藏 2
点赞数 1
文章标签： 计算机视觉 目标检测 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/lan4_/article/details/127147871
版权

学习笔记

关于目标检测

接上一篇的卷积神经网络,目标检测是基于卷积神经网路实现的.目标检测是找出图像或视频中人们想要的物体，并同时检测出它们的位置和大小

目标检测构成了许多其它视觉任务的基础,

  • 实例分割，图像标注&目标跟踪

如今的目标检测的算法主要有两类.

  • two stage简单说就是两步走:定位+分类.通过专门模块去生成候选框,寻找前景以及调整边界框,之后进行分类.算法有Faster R-CNN
  • one stage相对于上面的算法.直接基于anchor直接进行分类以及调整边界框.算法有SSD,YOLO

两种方式各有各的特别，Two-Stage很明显检测的精度要高一点，但是检测速度慢;One-Stage放弃了高精度，但是换来了速度，速度比Two-Stage算法快很多

two-stage算法

所谓的Faster R-CNN其实就是*[fast]+[region]+[CNN]*
首先是R-CNN.就是框选+分类.卷积神经网络CNN上篇已经说过
简单的实现步骤就是

  1. 对图像生成1k-k个候选区域.(使用Selective Search进行,即通过对图像特征的分析生成的候选区域)
  2. 对于每一个候选区域使用深度网络进行特征提取
  3. 特征提取完毕后使用SVM支持向量机分类
  4. 使用回归器计算偏移量修正候选框与目标的位置偏移

其次是fast R-CNN是在R-CNN基础上发展而来的.
区别是

  • 首先将图像进行卷积层的处理,形成特征图
  • 在划分和特征图上进行SS处理,获取候选框.在池化层进行ROI(region of interest)统一化.
  • 最后是全连接层的分类与回归的工作
    图片来源见参考

最后是Faster-RCNN
在fast- RCNN的基础上,候选框的提取技术由SS技术改变为RPN技术
所谓的RPN技术就是

  • 为输入特征图的每个像素点生成9个侯选框
  • 对生成的基础侯选框做修正处理，就是删除不包含目标的候选框
  • 对超出图像边界的侯选框做裁剪处理
  • 忽略掉长或者宽太小的侯选框
  • 对当前所有候选框做得分高低排序，选取前12000个侯选框
  • 排除掉重叠的侯选框
  • 选取前2000个做二次修正
    概括来说就是对于特征图预先生成候选框,后期对于候选框中的情况做不同程度的处理
    ,排序进而选择出最终的候选框.
    来源见参考
    R-CNN系列框架
    同上

One stage算法

首先是SSD算法,对比于two stage算法,one stage 不再使用候选框框取+分类器分类的两步.而是将图像的特征图划分为N*N的块.在每一个块中若干预设默认的候选区域.
在候选区域中进行检测,在训练时,将生成的默认候选区域与实际标注区域做交并集合处理,从而得到目标的大致形状.
这里的多卷积层可以检测不同尺度的目标,解决了two-stage检测小目标不准确的缺点
如图:
同上
yolo系列是当下使用最多的目标检测算法.相较于SSD.YOLO在检测时只使用了最高层的特征图,而SSD使用了多个辅助卷积层的特征图综合选取.

参考:
知乎
思否

夏虫_冰
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
计算机视觉之目标检测详解
06-16
计算机视觉之目标检测详解，包括算法原理和详细的代码，解析等等。
目标检测算法之Yolo系列
01-27
目标检测算法是计算机视觉三大基础任务之一，其包括目标定位和目标分类两部分。在yolo系列出来之前，主流的做法是分段式的R-CNN系列，主要包括R-CNN、Fast R-CNN、FasterR-CNN、MaskR-CNN等。R-CNN的基本结构如下图...
YOLOX: 无锚点机制 + 解耦头部设计 + 动态标签分配策略的高性能目标检测器 + Apache-2.0 开源可商用
最新发布
Debroon
06-14 1068
当将DarkNet53的深度特征提取能力与CSPNet的高效计算方式结合时，CSPDarkNet53能够在确保深度和复杂特征提取的同时，保持网络的运行效率。这种先进的策略通过确保使用最相关的预测进行训练，优化了地面真实和预测对象之间的匹配，提高了精度。这种结构优化的目标是在不牺牲性能的情况下提供更高的速度和效率，使得CSPDarkNet53成为计算资源受限环境中的理想选择。这种设计的变化主要是为了改善模型的性能，通过分离任务以减少不同任务间的干扰，提高模型在分类和定位准确性上的效率。
04【mmaction2 行为识别商用级别】slowfast检测算法使用yolov3来检测人
CSPhD-winston的博客
12-07 6836
github（新版）：https://github.com/Whiffe/mmaction2_YF 码云（新版）：https://gitee.com/YFwinston/mmaction2_YF.git github（老版本）：https://github.com/Whiffe/YF-OpenLib-mmaction2 码云（老版本）：https://gitee.com/YFwinston/YF-OpenLib-mmaction2.git mmaction2 官网：https://github.com/op
2024年最全【深度学习】（四）目标检测—(3)，2024大数据开发开发面试题及答案
2401_84592313的博客
05-10 959
上一章介绍了图像分类，这一章来学习一下目标检测上篇。简单来说，需要得到图像中感兴趣目标的类别信息和位置信息，相比于分类问题，难度有所提升，对图像的描述更加具体。在计算机视觉众多的技术领域中，目标检测（Object Detection）也是一项非常基础的任务，图像分割、物体追踪、关键点检测等通常都要依赖于目标检测。
百度aistudio上使用yolov4训练人脸检测模型
雅痞匪徒(Nike)的博客
05-13 4237
前几天在百度的aistudio上使用yolov4训练了一下人脸检测的模型，今天看见有人留言希望我写一篇在aistudio上如何使用yolov4的教程，纠结了一下，因为这玩意的操作流程其实在我那篇yolov4的文章以及其他人的文章中都有，只不过那些文章不是针对aistudio，想了想，最近也是好久没有更新csdn了，正好有人有这个需求，那么就写吧。 如何在aistudio上注册上的我就不说了，反正注册后进入个人中心，然后点击项目创建项目，取名添加数据集这些，如下： 我们这里是进行人脸检测，所以需要添加的数据集
【计算机视觉40例】案例22：目标检测（YOLO方法、SSD方法）
计算机视觉之光
08-10 4000
《计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测、手势识别、隐身术、以图搜图、车牌识别、图像加密、指纹识别等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面的案例（表情识别、驾驶员疲劳监测、识别性别与年龄等）。...
毕业设计-基于机器手机外观缺陷视觉检测算法 -YOLO
Hai_Lang_IT的博客
01-02 1227
毕业设计-基于机器手机外观缺陷视觉检测算法 -YOLO ：手机是当前人们生活中的必需品，如何高效并且尽可能低成本地制造手机成为了热点之一。而手机的屏幕缺陷检测则是属于手机制造过程中重要的一个环节，如何在这个环节上化繁为简并目提高效率至关重要。传统的人工检测不仅效率低下，并且会增加手机制造成本，还有一些传统的视觉处理方法,通过提取终像特征再通过提取的特征去选择、识别。这种传统的办法虽然降低了人下成本，但是受限于特征提取时的环境以及方式，。使得特征提取环节变得复杂，所以效率也不会太高。因此,寻求一种高效，可靠的
[毕业设计]基于机器视觉的车辆速度检测与识别算法
Hai_Lang_IT的博客
11-25 2271
[毕业设计]基于机器视觉的车辆速度检测与识别算法:车辆速度的准确估计是智能交通系统（ITS）的关键组成，这需要解决诸如同步数据记录、表示、检测和跟踪、距离和速度估计等问题。常见的速度估计应用场景包括自动驾驶、智能交通监控，分为固定传感器测试和移动相机/车辆下的测试。在精确检测车速车距的方案中，视觉方案是非常具有挑战性的，但由于没有昂贵的距离传感器而大幅降低成本，所以潜力巨大
计算机视觉中运动目标检测算法探究.pdf
12-12
运动目标检测技术是计算机视觉领域研究的热点和难点，算法多种多样。其主要原理是实现图像的分割，将目标...目标检测算法主要有光流法、背景减除法、帧差法等，每种方法均有利有弊，下面对目标检测算法做一个简单介绍。
计算机视觉 小目标检测综述
07-17
对小目标检测算法从检测流程、算法发展、常用评价指标、面临的挑战、小目标检测算法实验、小目标检测经典算法对比等几个方向进行总结，每一个点都很清晰，适合科研者或者研究生、本科生下载阅读使用。
目标跟踪算法汇总
DeepLearning_的博客
11-08 2317
Tracker光流的三个假设条件（1）前后两点的位移较小（可以泰勒展开的条件）（2）移动前后光强保持恒定（3）空间相关性，每个点的运动和他们的邻居相似（连续函数，泰勒展开）公式推导在相邻的两帧图像中，点(x,y)发生了位移(u,v)，那么移动前后两点的亮度应该是相等的，有如下等式：修正的系统方差。
YOLOv5从入门到部署之：训练私有数据并修改模型
Ring__Rain的博客
08-10 1926
1 环境部署 YOLOv5是基于pytorch实现的, 需要的运行环境已经在requirements.txt文件里面列出。 # base ---------------------------------------- Cython matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 pillow PyYAML>=5.3 scipy>=1.4.1 tensorboard>=2.2 torch>=1.6.0
yolo入门之一----yolo的使用
热门推荐
一只小菜鸟的博客
09-29 1万+
主要参考了此链接，对此博主表示感谢~！！ https://blog.csdn.net/u012746060/article/details/81183006 但其中有一些不同之处，在这里从头到尾走一遍流程 二、快速使用 1、下载yolov3代码：https://github.com/qqwweee/keras-yolo3 ，并解压缩之后用pycharm打开。 2、下载权重：https://pjre...
yolo详解
复兴之矢
02-21 5078
作者：狗头山人七 链接：https://zhuanlan.zhihu.com/p/25045711 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 论文笔记：You Only Look Once: Unified, Real-Time Object Detection 评论：基于深度学习方法的一个特点就是实现端到端的检测。相对于其它目标检测与识别
目标检测与跟踪：最新算法与实践
禅与计算机程序设计艺术
12-27 899
1.背景介绍 目标检测和跟踪是计算机视觉领域的核心技术之一，它在许多应用中发挥着重要作用，例如自动驾驶、人脸识别、物体识别、人群分析等。目标检测的主要任务是在图像或视频中识别并定位目标物体，而跟踪的主要任务是在序列图像中跟踪目标物体的位置和状态。 目标检测和跟踪的历史可以追溯到20世纪80年代，当时的方法主要包括模板匹配、特征点检测和模型匹配等。然而，这些方法在处理复杂场景和变化的目标物体方面...
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