目标检测
马飞飞
乐于分享,痴迷技术
展开
-
单阶段检测器-yolo v1、v2、v3多图详解
简介单阶段目标检测是指没有显式给出提取候选区域的过程,直接得到最终的检测结果,将提取和检测合二为一,直接得到物体检测的结果,因此其速度往往会更快一些。 非常典型的就是yolo形式的,可以发现其网络结构是从头到底都是网络的形式,经典的单阶段检测器的变换过程为: YOLO(v1、v2、v3) ...原创 2019-03-05 16:58:51 · 6753 阅读 · 0 评论 -
目标检测模型之SPP-net
1.R-CNN部分已经对SPP-net的核心思想进行了介绍,其实总体而言,SPP-net主要是在两个地方上有所改进,分别是: [1]使用预先conv处理的方式,将卷积层的特征提取放置在前面,先进行卷积操作(所有区域共享卷积计算,在conv5层输出提取所有区域的特征),之后再空间金字塔池化,这样可以避免之前R-CNN中把每个候选区域都分别进行卷积操作,去除了各...原创 2019-03-02 19:51:27 · 1285 阅读 · 0 评论 -
目标检测模型之R-CNN
1.R-CNN是最为经典的方式,对应于下图,具体来说R-CNN的算法框架就是一下三个过程,分别是提取候选窗口(又叫感兴趣区,不同于以往简单的滑窗提取方式,这里是使用一种更加简洁的Selective Search方式)、将候选窗口统一规格处理并输入CNN网络提取特征(进行统一规格的是因为网络的全连接层需要输入图像尺寸是固定的,而卷积层其实是不需要的)、用提取出的特征做分类和位置矫正任务(这里是依据,...原创 2019-03-02 19:46:35 · 521 阅读 · 0 评论 -
目标检测模型之Fast R-CNN
1.针对于之前提到的问题,我们提出新的网络形式Fast R-CNN,这个模型主要的改进点体现在两个方面(此外为了加速和提升精度还有两个技巧,分别是边框回归和全连接层加速): *针对速度较慢的问题,在SPP-net基础上对SPP方式进行简化为Rol pooling方法,本质是SPP形式的特例,是可以自定义的单尺度(感兴趣池化层 ROI pooling laye...原创 2019-03-02 19:57:04 · 578 阅读 · 0 评论 -
目标检测模型之Faster R-CNN
1.Faster R-CNN简单来看是两种网络的组合,RPN网络和Fast R-CNN网络,在使用时需要对这两个网络分步进行训练(训练方式后有介绍)。上图是Faster R-CNN的架构图,可以发现我们相对于之前的Fast R-CNN方法,使用RPN网络取代之前离线的SS方法生成候选区域,并通过对PRN网络训练的方式让其生成量少质优的候选区域框,数量约为300个,相比之前的方式有更高的...原创 2019-03-02 20:02:10 · 445 阅读 · 0 评论