CNN、LeNet、AlexNet、VGG、GoogLeNet、RCNN、Fast RCNN、Faster RCNN、YOLO、YOLOv2、SSD等的关系

最新推荐文章于 2024-08-12 14:50:42 发布
最新推荐文章于 2024-08-12 14:50:42 发布
阅读量1.5k 收藏 8
点赞数
分类专栏： 个人爱好 文章标签： cnn YOLO 深度学习 Powered by 金山文档
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/maopig/article/details/129736431
版权
本文概述了卷积神经网络（CNN）的发展历程，从早期的LeNet到AlexNet、VGG、GoogLeNet，以及目标检测领域的RCNN系列、YOLO和SSD。这些模型在图像分类和目标检测任务中扮演了重要角色。RCNN到Faster RCNN是两阶段目标检测方法，而YOLO和YOLOv2、SSD则采用了一阶段方法。此外，还提到了全卷积网络FCN在图像语义分割领域的应用。
摘要由CSDN通过智能技术生成

卷积神经网络的现状

1943年美国数学家提出人工智能

1949年心理学家建立神经元模型

1957年弗兰克提出 感知器人工神经网络模型

1980年建立多层感知器模型

1984日本学者提出卷积神经网络原始模型神经感知机

1998年提出LeNet-5卷积神经网络，并发展了其在音符和字符上的优势

2012年提出八层网络结构的AlexNet卷积神经网络

2014年牛津大学提出VGG网络

2015年谷歌提出GoogLeNet，同年微软构建了RestNet

1、CNN，卷积神经网络，是以卷积为核心的一大类网络。

2、LeNet、AlexNet、VGG、GoogLeNet，属于CNN。这些模型都是基于CNN单元构建起来的，本来是用来训练图像分类任务的

3、RCNN、Fast RCNN、Faster RCNN、YOLO、YOLOv2、SSD，也属于CNN，但和2是另一条路线。这些模型是用于检测任务的。

区别：从肤浅的层面说，2和3的区别在于，2属于用于图像分类的CNN，3属于用于目标检测的CNN。

RCNN-> fastRCNN -> fasterRCNN 是two-stage的方法，YOLO->YOLOv2->YOLOV3, SSD是one-stage的方法。

比如目标检测，RCNN系列、YOLO等都是利用了训练好

最低0.47元/天 解锁文章
maopig
关注
专栏目录
目标检测算法面试基础知识合集RCNN、Fast RCNN、FasterRCNN、YOLO系列、SSD、FPN、RetinaNet
weixin_43217928的博客
03-11 2295
目标检测算法R-CNN优点缺点SPP-Netpipeline优点缺点Fast R-CNNpipeline优点缺点Faster R-CNNpipeline优点缺点细节YOLOv1pipeline优点缺点细节YOLOv2pipeline优点缺点细节YOLO9000YOLOv3pipeline优点缺点细节SSD优点缺点细节 R-CNN 利用selective search提出region propos...
CNN的具体架构VGG
weixin_57128596的博客
05-18 1043
对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。随着更多层的叠加，通过前一层提取的特征可以结合成更复杂的模式，如物体的部分和结构。使用三个3x3的卷积核代替一个7x7的卷积核可以显著减少参数的数量，一个7x7的卷积核包含49个参数，但是一个3x3的卷积核包含9个参数，三个则是27个参数，所以，通过使用三个3x3的卷积核，你减少了参数数量（49 vs 27），这意味着模型的。
目标检测算法汇总比较
别说话写代码的博客
10-16 1万+
作者：金天 链接：https://zhuanlan.zhihu.com/p/39579528 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。 很难衡量一个检测算法的好坏，因为除了算法本身的思路之外，还有许多因素影响它的速度和精度，比如： 特征提取网络(VGG, ResNet, Inception, MobileNet); 输出的步长，越大分类数目越多，相...
目标检测之---SSD算法详解
qq_52191127的博客
08-12 1278
SSD模型在2016年由Wei Liu等人提出，并迅速成为对象检测领域的重要工具。随着深度学习技术的不断发展，SSD在许多应用中被广泛使用，如自动驾驶、视频监控、智能安防等。SSD（Single Shot MultiBox Detector）是一种用于对象检测的深度学习神经网络架构。它主要用于在图像中检测和识别多个对象，同时预测这些对象的类别和位置。SSD在速度和精度之间达到了很好的平衡，使其成为实时应用中非常流行的选择。
CV学习笔记-CNN-VGG
Moresweet 猫甜
05-20 1981
CNN-VGG 1 . 图像识别的过程 **获取原始信息：**通过传感器将获取到的外界信息（比如图像）转换为计算机可以处理的信号。 **预处理：**对图像进行平移变换、旋转、去噪声…操作，目的是加强图像中的感兴趣特征。 **特征抽取与特征选择：**是指在模式识别中，需要进行特征的抽取和选择。特征抽取和选择在图像识别过程中是非常关键的技术之一。 **分类器设计：**是指通过训练而得到一种识别规则，通过此识别规则可以得到一种特征分类，使图像识别 技术能够得到高识别率。分类决策是指在特征空间中对被
CNN的发展史LeNet、Alexnet 、VGG、GoogleNet、ResNet简介
ARYAD的博客
07-30 2684
作者：我爱机器学习 链接：https://zhuanlan.zhihu.com/p/22094600 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。 CNN的发展史 上一篇回顾讲的是2006年Hinton他们的Science Paper，当时提到，2006年虽然Deep Learning的概念被提出来了，但是学术界的大家还是表示不服。当时有流传的段子是Hinton的学生在台上讲paper时，台下的机器学习大牛们不屑一顾，质问你们的东西有理论推导吗？有数学基础吗？搞得过SVM
SSD（2016）
GY-赵的博客
04-30 945
introduction 提出一种简单的叫SSD的深度神经网络用于目标检测，该方法有几个特点： 把边界框的输出空间离散为在feature map的每个位置上具有不同大小和尺寸的一组默认的box 网络结合了来自不同分辨率的多个feature map的预测，可以自然的处理不同大小的目标 第一个基于目标检测器的不需要为边界框采样像素或特征的深度网络，同时与那些采样的方法一样精确。 SSD大大提升了高精度检测的速度，59FPS with mAP 74.3% on VOC 2007 test，VS.Faster.
什么是vggnet?
weixin_44943389的博客
06-15 625
尽管VGGNet在ILSVRC比赛中表现出色，但在后续的研究中，一些更深、更高效的网络结构如ResNet、Inception和MobileNet等相继出现，取得了更好的性能。然而，VGGNet仍然是深度卷积神经网络领域的里程碑之一，为后续的研究奠定了基础，并广泛应用于图像分类、目标检测和语义分割等计算机视觉任务中。VGGNet的主要特点是采用了非常深的网络结构，它使用了16层或19层的卷积层和全连接层。VGGNet中的卷积层都采用了小尺寸（3x3）的卷积核，这种设计可以增加网络的深度，同时减少参数数量。
56.YOLO v3、SSD、Faster-RCNN目标检测算法对比 - 学习教程 - dt猫1
08-03
本文将对比三种主流的目标检测算法：YOLO v3、SSD（Single Shot MultiBox Detector）以及Faster R-CNN（Region-based Convolutional Neural Networks），主要关注它们在处理特征尺度、RPN（Region Proposal Network...
深度学习：图像检测概述rcnn, fastrcnn, fasterrcnn,yolo,ssd
热门推荐
weixin_41108334的博客
09-29 3万+
RCNN,Fast RCNN ,faster Rcnn :https://www.cnblogs.com/dudumiaomiao/p/6560841.html 一文看懂目标检测 rcnn fast rcnn faster rcnn yolo ssd :https://blog.csdn.net/v_JULY_v/article/details/80170182 一、图像综述 一、图像分类 ...
四大经典CNN架构之一(ALexNet)
12-21
本资源详细解读了经典论文ImageNet Classification with Deep Convolutional Neural Networks，主要介绍ALexNet的架构、特点、计算流程
使用谷歌TensorFlow2框架复现经典的卷积神经网络：LeNet、AlexNet、VGG系列、
最新发布
09-05
常见的One-stage算法包括YOLO系列（YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等）、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例，YOLO将目标检测视为回归问题，将输入图像一次性划分为多个区域，直接在输出层...
深度学习——物体检测算法：R-CNN，SSD,YOLO（笔记）
jbkjhji的博客
12-22 2295
④yolo 在后续的版本（V2,V3,V4...）中有持续的改进，但是核心思想没有变，真实的边缘框不会随机的出现，真实的边缘框的比例、大小在每个数据集上的出现是有一定的规律的，在知道有一定的规律的时候就可以使用聚类算法将这个规律找出来（给定一个数据集，先分析数据集中的统计信息，然后找出边缘框出现的规律，这样之后在生成锚框的时候就会有先验知识，从而进一步做出优化）①输入图像后，首先进入一个基础网格抽取特征，抽取完特质之后对每个像素生成大量的锚框（每个锚框就是一个样本，然后预测锚框的类别和偏移）
SSD算法解析
m0_56192771的博客
04-15 1万+
目标检测算法主要分为两类： Two-stage方法：如R-CNN系列算法，主要思路就是通过Selective Search或者CNN网络产生一系列的稀疏矩阵的候选区域，然后对这些候选区域进行分类和回归，two-stage的方法优势在于准确率度高； One-stage方法：如YOLO系列方法，主要思路就是均匀地在图片上不同位置进行密集采样，采样时使用不同尺度和长宽比box，然后利用CNN提取特征后直接进行分类和回归，整个过程只需要一步，所以优势在于速度快。我们接下来介绍的SSD方法也是单阶段的算法。 SS
SSD原理解读
tommorrow12的博客
07-24 6196
1、引言 目标检测是计算机视觉学科的重要研究方向之一，在很多场合中都很重要，比如无人驾驶，就非常需要目标检测给它提供非常高的检测和定位精度。当前，目标检测中基于深度学习的算法大概可以分为两种:分步目标检测算法（比如Fast R-CNN[11]、Faster R-CNN[12]等）；单步目标检测算法（比如YOLO[13]、SSD[14]等）。前者先要产生一批用作输入数据的候选框，然后经过神经网...
第四章:SSD网络详解
ADICDFHL的博客
07-06 1549
摘要：本文提出了一种使用单个深度神经网络在图像中检测物体的方法。我们的方法名为SSD，它将边界框的输出空间离散化为每个特征图位置上不同长宽比和尺度的一组默认框。在预测时，网络为每个默认框中每个物体类别的存在生成得分，并对框进行调整以更好地匹配物体形状。此外，网络结合了具有不同分辨率的多个特征图的预测，以自然地处理不同大小的物体。相对于需要物体提议的方法，SSD非常简单，因为它完全消除了提议生成和后续像素或特征重采样阶段，并将所有计算封装在一个网络中。
从VGG看CNN
Gowi的博客
03-22 3934
从VGG看CNN 文章目录从VGG看CNNVGG的成功之处VGG的结构特点VGG-11代码 VGG的成功之处 VGG与AlexNet相比，VGG采用小的卷积核和池化层，层数更深，通道数更多，其中每个通道代表着一个FeatureMap，更多的通道数表示更丰富的图像特征。VGG网络第一层的通道数为64，后面每层都进行了翻倍，最多到512个通道，通道数的增加，使得更多的信息可以被提取出来。 对于给定的感...
人工智能详细笔记（第二节课）：CNN AlexNet NIN VGG GoogleNet ResNet DenseNet（初学者友好版本）
hanmo22357的博客
03-07 849
最近人工智能课上学习了这四种改进型的卷积神经网络，但是发现网上很多一部分的教程都花费大量时间来介绍这些网络的详细结构和参数等部分，这就对我这样数学和推理比较差的新手不太友好，因此我便用尽量通俗易懂的方式定性地总结了这四种网络的特点，对于初学者应该是足够用了。：NIN的优点在于使用1×1卷积来增加网络的非线性表达能力，同时可以减少模型参数的数量。：VGG网络结构相对于之前的卷积神经网络模型，其最大的改进是将网络的深度增加到了16~19层，并且采用了更小的卷积核，使得模型的参数量不会因为深度的增加而变得过大。
Faster R-CNN与Region Proposal Networks的实时目标检测
Fast R-CNN和Faster R-CNN的出现是目标检测领域的里程碑，它们不仅提高了检测速度，而且推动了后续的YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）等实时目标检测算法的发展，对现代计算机视觉...
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