![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 94
linxid
现阿里巴巴算法工程师,原华为诺亚方舟实验室高级算法工程师,专注人工智能算法研究
展开
-
目标检测经典模型(二)--fast rcnn
相比于RCNN的改进: Fast RCNN将原始图片输入卷积网络中得到特征图,再使用建议框对特征图提取特征框,大大减少了计算量 建议框大小不一,通过ROI池化层将特征框转化为相同大小; Fast RCNN里没有SVM分类器和回归器了,分类和预测框的位置通过卷积神经网络输出 为了提高计算速度,网络最后使用SVD代替全连接层 算法流程: 输入一张图片,通过Selective Search得到候选建议框; 将原始图片输入到CNN中得到特征图,并且根据建议框,得到候选框在特征图中对应的位置(ROI); 使用R原创 2021-05-21 18:49:56 · 330 阅读 · 0 评论 -
目标检测经典模式(一)--RCNN
使用深度学习解决目标检测任务的简单方法: 输入一张图片 将图片分割成不同的区域 认为每个区域是一张独立的图像 将这些分割开的图像输入到CNN分类器中,对其进行分类,得到分类结果; 小的区域得到相应的类别后,将这些区域组合起来便得到带有检测物体的原图 ps:这种方法的问题: 图片中的物体具有不同的长宽比和空间位置 需要大量的区域才能覆盖这些目标,结果导致计算量很大 物体的形状也会有所不同 region-based CNN:RCNN 核心思想: 使用selective search在图片中得到候选区域。原创 2021-05-21 18:48:05 · 307 阅读 · 0 评论