目标检测算法基础——02目标检测问题方法

本文介绍了目标检测方法的变迁,强调了基于传统手工特征的检测算法存在的问题,如不鲁棒和效率低下。深度学习阶段,尤其是Fast RCNN的RPN网络解决了滑动窗口策略的耗时问题。文章详细阐述了两种算法的基本流程,传统方法如Viola-Jones、HOG+SVM和DPM,以及深度学习方法如YOLO和Faster RCNN。总结了传统与深度学习目标检测算法的差异。
摘要由CSDN通过智能技术生成

目标检测问题方法

一、目标检测方法的变迁在这里插入图片描述

二、 基于传统手工特征的检测算法的问题

1.通过传统方法设置特征,一方面很难设计,另一方面设计出来的特征往往存在各种问题,比如对于某一个特定条件不适应,即不鲁棒,效率低

2.通过滑动窗口的方式来提取目标框,并对目标框进行分类判定的这种策略,在提取滑动窗口时的流程是非常繁琐耗时

深度学习阶段,神经网络可以代替传统手工设计特征并完成目标检测,但这只是利用卷积神经网络来进行特征提取,并没有从本质上改变搜索框提取目标区域的策略,直到Fast RCNN这类方法出现,通过RPN网络来代替原始滑动窗口的策略的提出,打破技术进步的瓶颈

三、算法基本流程

在这里插入图片描述
流程一:
给定一张图片作为输入,提取候选框,对候选框进行特征提取并用分类器进行特征判定,最后利用N

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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