目标检测笔记
文章平均质量分 81
leu_mon
这个作者很懒,什么都没留下…
展开
-
目标检测笔记-概述和常用数据集
概述和常用数据集0.概述要有分类网络相关基础知识目标检测分为两类: One-Stage,Two-Stage1.Two-Stage: Faster R-CNN 1)通过专门模块去生成候选框(RPN),寻找前景以及调整边界框(基于anchors) 2)基于之前生成的候选框进行进一步分类以及调整边界框(基于proposals)2.One-Stage: SSD,YOLO 基于anchors直接进行分类以及调整边界框One-Stage,Two-Stage对比: One-Stage原创 2022-01-04 10:46:22 · 1928 阅读 · 0 评论 -
目标检测笔记-YOLO
YOLO1.YOLOv11)论文的思想将一副图片分为s*s个网格(grid cell),如果某个object的中心就落在这个网格中,则该网格就负责预测这个object。每个网格要预测B个bounding box,每个bounding box除了要预测位置之外,还要附带预测一个confidence值。每个网格还要预测C个类别的分数。下面是将图片分为7*7的网格,每个网格预测2个bounding box的情况。x,y是目标中心的位置;w,h是一个相对图片的相对值,取值[0,1]。下方的公式为预测类原创 2022-01-04 10:38:30 · 3137 阅读 · 0 评论 -
目标检测笔记-SSD
SSD-经典的one stage1.SSD结构 上图所示的为SSD网络的结构图,前面的部分为VGG-16网络的一部分(对比上方的网络图可知),输出卷积层4_3作为第一级的38*38大小的特征层输出,继续进行卷积处理分别得到19*19、10*10、5*5、3*3、1*1大小的特征层输出,共六个不同大小的输出,用来预测不同大小的物体,因为大的特征图细节更加丰富故,大的物体使用小的特征图进行预测,小的物体使用大的特征图预测,下面是对不同大小的特征图预测框的生成尺寸的选择。 可以看到最原创 2022-01-03 21:41:36 · 949 阅读 · 0 评论 -
目标检测笔记-Faster R-CNN
Faster R-CNN1.R-CNN2014年由Ross Girshick在论文Rich feature hierarchies for accurate object detection and semantic segmentation中提出。1)RCNN算法流程: 1.一张图片生成1K~2K个候选区域(使用Selective Search方法) 2.对每个候选区域,使用深度网络提取特征 3.特征送入每一类的SVM分类器,判别是否属于该类 4.使用回归器精原创 2022-01-03 21:39:50 · 461 阅读 · 0 评论