Object Detection : One-stage Detector YOLO

最新推荐文章于 2021-07-16 10:02:24 发布
最新推荐文章于 2021-07-16 10:02:24 发布
阅读量969 收藏 2
点赞数
分类专栏： Object-Detection 文章标签： 人工智能 计算机视觉
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/linwh8/article/details/104367240
版权

现有的目标检测器主要分为两种类型：两阶段(two-stage)和单阶段(one-stage)。这两种检测器的设计思想有很大的不同：两阶段检测器主要将检测问题归结为分类问题(classification)，而单阶段检测器主要是将检测问题定义为回归问题(regression)。不仅如此，两种检测器在时间、性能上也有一定的差距。接下来我将会沿着单阶段的主线，根据时间顺序，进一步了解单阶段检测器的发展。

YOLO -> DenseBox -> SSD -> YOLO v2 -> Retina -> YOLO v3 -> CornerNet -> CenterNet -> AlignDet

You Only Look Once: Unified, Real-Time Object Detection

论文地址：1506.02640

1. YOLO的优缺点(Pros and Cons)

【从摘要(Abstract)和介绍(Introduction)】
在这里插入图片描述

  • 优点
    • 速度快(fast)：采用回归思想，无需产生区域提议(proposals)，是一个端到端的模型
    • 利用全局信息(global)：输入是整张图片(entire image)，而不是图片其中的一部分(part)
    • 泛化能力(generalization)：在非自然图片(natual image)如艺术作品领域(artwork)，检测结果(results)较好
  • 缺点
    • 准确率不如两阶段检测器(accuracy behind)：体现在定位(localization)不够准确，小目标(small object)检测难
    • YOLO在检测框的预测上有较强的空间限制(strong spatial constraints)：一个网格单元预测两个检测框，并且一个网格单元内只能有一种类别预测。这导致模型缺乏对相邻的多个目标检测的能力，尤其是一大群小目标(small objects that appear in groups)
    • YOLO对新的或者不寻常(new or unusual)的纵横比、设置(configurations)的泛化能力较弱：因为模型是从数据中学习如何预测检测框，有一定的数据依赖性
    • 损失函数的设计有缺陷：对于大检测框与小检测框的错误一视同仁：对于某些小错误，在小检测框会对IOU有很大的影响，在大检测框上相对影响小一些。

2. YOLO的设计思想(Design)

YOLO 使用全图特征去预测检测框(bounding boxes)及其类别(classes)。与两阶段检测器的区域提议(region proposals)不同的是，YOLO不预先产生可能包含目标(objects)的区域(proposals)，而是将一张图片分割成S x S的网格(grid)，每个网格单元(cell)都可能包含目标，换句话说，这些网格单元便是YOLO给出的可能包含目标的区域。对于每个网格单元，如果目标的中心(center)落在其中，该网格便负责对该目标进行检测。
在这里插入图片描述
每个网格单元负责预测B个候选框及其对应的B个置信度(confidence scores), 此处置信度指网格单元包含目标及检测框预测准确的置信度(原文链接1)，定义为 P r ( O b j e c t ) ∗ I O U p r e d t r u t h Pr(Object)*IOU_{pred}^{truth} Pr(Object)∗IOUpredtruth​。

当预测的检测框(predicted boxes)中包含目标时， P r ( O b j e c t ) = 1 Pr(Object)=1 Pr(Object)=1，即置信度等于预测检测框与真实标注GT(ground truth)之间的IOU(intersection over union)；当预测的检测框中不包含目标时，

最低0.47元/天 解锁文章
小威威__
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ObjectDetection-OneStageDet：单阶段通用目标检测器
02-23
内容 介绍 现在，我们已经在此仓库中实现了yolov2和yolov3，这是一个名为OneStageDet（OSD）的世代对象检测框架，将来我们考虑在单个框架中实现yolo和ssd。 要求 python 3.6 火炬0.4.0 特征 同时包括Yolov2和Yolov3 很棒的表演 544x544 VOC2007测试（mAP） 前进时间（批量大小= 1） 约洛夫2 77.6％ 11.5毫秒 约洛夫3 79.6％ 23.1毫秒 通过此实现，可以从图像网络上的预训练权重训练模型。 训练速度与一样快 手上有许多有效的骨干 像微小的yolov2，微小的yolov3，mobilenet，mobilenetv2，shufflenet（g2），shufflenetv2（1x），squeezenext（1.0-SqNxt-23v5），光感知，感知感知等。 检查文件夹vedanet/net
物体检测丨浅析One stage detector「YOLOv1、v2、v3、SSD」
weixin_33739646的博客
05-29 320
引言 之前做object detection用到的都是two stage，one stage如YOLO、SSD很少接触，这里开一篇blog简单回顾该系列的发展。很抱歉，我本人只能是蜻蜓点水，很多细节也没有弄清楚。有需求的朋友请深入论文和代码，我在末尾也列出了很多优秀的参考文章。 YOLOv1 You Only Look Once: Unified, Real-Time Object Detecti...
One-stage目标检测里程碑算法之SSD、YOLO系列、RetinaNet等
迷路的咸鱼的博客
06-14 3974
  相较于two-stage detectors ，one-stage detectors不需要提取region proposal的阶段，直接预测物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度。本篇博客将逐步按照YOLO→SSD→RetinaNet→YOLOv2→YOLOv3→YOLOv4的顺序，依次整理one-stage目标检测算法的改进点。除此之外，one-stage的anchor-free目标检测器在不断发展，包括CornerNet、ExtremeNet、F
目标检测 One Stage Detection（Yolo 系列上）
Sakura_day的博客
04-07 407
目标检测 One Stage Detection （Yolo系列上） 在CNN出现之后，人工智能的研究被推向了高潮，其中图片分类和目标检测也飞速发展。在目标检测领域，首先兴起的是以RCNN系列为代表的两阶段检测（Two Stage Detection）方法。最初的RCNN其实是传统计算机视觉算法和深度学习的结合。它首先用传统的select search算法提取2000个左右的特征图像块（region proposel），之后用CNN提取到图像特征，最后用包含（支持向量机）SVM分类器和目标选框回归（bb.
目标物识别object_detection二：训练自己的模型
weixin_44345862的博客
03-17 1184
参考文献：1.https://blog.csdn.net/c2a2o2/article/details/78447784玩具检测器 2.https://blog.csdn.net/chenmaolin88/article/details/79357263用TensorFlow训练一个物体检测器（手把手教学版） slim和proto搞定之后，进行主体工作。素材用的参考文献1的toy。新建toy_de...
翻译Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector_202
03-18
Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector 是一种小样本目标检测网络，该网络使用注意力 RPN 和多...
GHM(Gradient Harmonized Single-stage Detector).pdf
05-11
AAAI2019的论文，Gradient Harmonized Single-stage Detector 通过改变损失函数提升one-stage目标检测模型的精度，和focal loss有点类似
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
* SSD：Single Shot Detector * DenseBox 等 五、传统目标检测流程 传统目标检测流程包括： 1. 区域选择：穷举策略，采用滑动窗口，且设置不同的大小，不同的长宽比对图像进行遍历，时间复杂度高 2. 特征提取：...
RetinaFace: Single-stage Dense Face Localisation in the Wild.pdf
03-25
This pa per presents a robust single-stage face detector, named RetinaFace, which performs pixel-wise face localisation on various scales of faces by taking advantages of joint extra-supervised and ...
tattoo-detector-yolo：使用Yolo来检测人身上的“纹身”
02-11
（纹身检测器-yolo） 该项目使用来模糊照片和视频中人物的纹身。需求 如何使用？ 以后再说吧，因为还没有可执行代码 :thinking_face:这个怎么运作？ 我们需要的第一件事是有关一个人的纹身的数据。 有关此数据，...
目标检测之one-stage模型发展总结
01-07
由于广泛的应用和技术上的突破，目标检测（object detection）在近些年吸引了越来越多的注意力，以飞快的速度发展着。在导致目标检测领域飞速发展的众多因素中，深度卷积神经网络和GPU算力无疑占据着重要的地位。大多数顶尖的目标检测网络都充分利用了深度学习网络作为骨干网络用来提取图像特征进行分类和定位。如今，目标检测越来越多的应用在了多分类检测(multi-categories)、边缘检测(edge detection)、显著性目标检测(salient object detection)、姿态检测(pose detection)、场景文本检测(scene text detection)、人
腾讯已开源高精度人脸检测算法DSFD
腾讯开源
06-08 1818
腾讯提出一种高精度双分支人脸检测器DSFD并开源。该算法曾在全球两大权威人脸检测数据集WIDERFACE和FDDB上均取得了第一。任务介绍人脸检测算法是在图像上检测出人脸的位置（通常以...
目标检测 2—— One Stage目标检测算法
Breeze
08-12 8676
笔记来源：DeepLearning-500-questions 上次学习了目标检测的基本概念和一些经典的Two Stage算法：1.目标检测Two Stage 3. One Stage目标检测算法 我们将对单次目标检测器（包括SSD系列和YOLO系列等算法）进行综述。我们将分析FPN以理解多尺度特征图如何提高准确率，特别是小目标的检测，其在单次检测器中的检测效果通常很差。然后我们将分析Focal ...
目标检测算法
NotLency的博客
07-16 3万+
目标检测算法一.目标检测算法 一.目标检测算法 主流的目标检测算法大致分为one-stage与two-stage。 two-stage算法代表有R-CNN系列，one-stage算法代表有Yolo系列。自己理解，two-stage算法将步骤一与步骤二分开执行，输入图像先经过候选框生成网络（例如faster rcnn中的RPN网络），再经过分类网络，对候选框的内容进行分类；one-stage算法将步骤一与步骤二同时执行，输入图像只经过一个网络，生成的结果中同时包含位置与类别信息。two-stage与one-s
Object Detection: One-stage Detector DenseBox
linwh8的博客
03-23 772
继上一篇文章Object Detection : One-stage Detector YOLO，我们可以窥探到回归(regression)、端到端(end-to-end)思想在目标检测问题上的应用。下面开始单阶段目标检测器系列的第二篇，DenseBox。 YOLO -> DenseBox -> SSD -> YOLO v2 -> Retina -> YOLO v3 ...
Object Detection：One-stage Detector SSD
linwh8的博客
04-04 813
继上一篇文章Object Detection: One-stage Detector DenseBox，我们了解到一种类似于分割的训练风格(segmentation-like training procedure)，通过真值生成(Ground Truth Generation)，来引导模型对人脸、汽车等目标的检测。单阶段模型常常遇到的一个问题就是样本平衡(Sample Balance)，Dense...
深度学习: one-stage/two-stage/multi-stage 目标检测算法
caoyunbo0417的专栏
05-13 1529
Introduction Detection主要分为以下三个支系： - one-stage系 two-stage系 multi-stage系 主要算法 YOLOv1、SSD、YOLOv2、RetinaNet、YOLOv3 Fast R-CNN、Faster R-CNN R-CNN、SPPNet 检测精度 较低 较高 极低 检测速度 较快...
目标检测--Accurate Single Stage Detector Using Recurrent Rolling Convolution
AI小作坊 的博客
04-24 6020
Accurate Single Stage Detector Using Recurrent Rolling Convolution CVPR 2017 商汤科技关于目标检测的文献Code: https://github.com/xiaohaoChen/rrc_detection本文直观的理解就是对SSD 嵌入 contextualinformation 使其可以同时检测大目标和小目标。这里
关于one-stage目标检测方法的详细解析（一）
watermelon1123的博客
01-24 9791
前一阵子看到了一遍关于one-stage目标检测的英文博客，感觉醍醐灌顶，讲的非常详细又好。为了加深一下印象，我决定用自己的话把文章里的内容重新阐述一遍，如果有错误的地方欢迎指正！
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...
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