![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
FLY
计算机视觉、深度学习、机器学习爱好者
展开
-
Single-stage目标检测网络YOLO相关背景知识
YOLO相关背景知识[1]两大流派目前,基于深度学习算法的一系列目标检测算法大致分为两大流派:1.两步走(two-stage)算法:先产生候选区域然后再进行CNN分类(RCNN系列),2.一步走(one-stage)算法:直接对输入图像应用算法并输出类别和相应的定位(YOLO系列)之前的R-CNN系列虽然准确率比较高,但是即使是发展到Faster R-CNN,检测一张图片如下图所示也...原创 2020-03-01 16:17:33 · 1431 阅读 · 0 评论 -
目标检测算法——基于候选区域的目标检测器
滑动窗口检测器一种用于目标检测的暴力方法,是从左到右、从上到下滑动窗口,利用分类识别目标。使用不同大小和宽高比的窗口。选择性搜索为了提升性能,尽量减少窗口数量,于是使用候选区域方法,创建目标检测的感兴趣区域(ROI),使用选择性搜索(SS)。R-CNN利用候选区域方法创建了约2000个ROI。区域被处理成固定大小的图像送入卷积神经网络。最后几层全连接层实现提炼分类和边框修正。通过...翻译 2019-01-25 11:16:58 · 5353 阅读 · 0 评论 -
目标检测算法——单次目标检测器
基于区域的检测器Faster R-CNN 中,在分类器之后有一个专用的候选区域网络。它的检测精度很高,但是处理速度却不够。考虑通过减少每个ROI的工作量来解决这个问题,于是寻求在一个步骤内得到边界框和类别的方法,这就是单次目标检测器和基于区域的检测器的根本区别。基于滑动窗口进行预测这个概念和 Faster R-CNN 中的锚点类似。区别在于Faster R-CNN中是分两支路来分别预测类别...转载 2019-01-25 11:21:35 · 2785 阅读 · 0 评论 -
Structure Inference Net: Object Detection Using Scene-Level Context and Instance-Level Relationships
一、典型的目标检测问题对于小目标的敏感度不够高,检测精度也不够高,容易造成错误分类。如下图[2]是Faster R-CNN的检测表现:从图中可以看到,性能很好的Faster R-CNN网络对于一些小目标也会出现敏感度不高、检测精度不高或者错误检测的问题。二、论文思路鉴于上面出现的问题,论文考虑加入目标的上下文语义信息,以及目标和目标之间的逻辑关系信息。论文认为对象检测不仅仅针对单一对象的...原创 2019-01-25 11:26:07 · 349 阅读 · 0 评论