目标检测网络概述

最新推荐文章于 2024-06-03 08:46:27 发布
最新推荐文章于 2024-06-03 08:46:27 发布
阅读量1.4k 收藏 1
点赞数
分类专栏： 目标检测
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/qq_38675397/article/details/106439762
版权

       自从卷积神经网络在分类问题上取得很大进步以后，学者们纷纷想办法将卷积神经网络迁移到目标检测、目标分割等领域。目标检测领域发展到现在，出现了很多里程碑式的网络结构和设计思想，可以说是百花齐放，大放异彩，但是总体上大概可以将目标检测分为三个类别：

  • two-stage
  • one-stage
  • anchor-free

two-stage

       相信大家都知道，是大神何凯明最早将卷积神经网络引入到目标检测中来，从而创造了two-stage的RCNN系列目标检测网络，从RCNN到fast RCNN再到faster RCNN,mask RCNN，都是经典网络，蕴含的设计思想都值得大家学习。那么为什么叫two-stage呢？那是因为RCNN系列设计思想都是分为两步：先想办法得到目标的候选框，再对候选框进行精细的分类与框回归。基于这样的方式，可想而知有着很高的准确率，但是正是由于分为两步的关系，导致其检测速度一直提不上了，关于RCNN系列的网络解析有很多，想要了解的小伙伴可以自行搜索。

one-stage

       上面说到了two-stage的RCNN系列网络检测速度慢，所以主要为了解决检测速度的one-stage的目标检测网络就因运而生了，主要代表网络有YOLO系列和SSD系列，one-stage的特点是通过在图片本身(YOLO)或者特征层(SSD)设计大量的锚点archor用于目标位置的定位从而省略了生成候选框这一步，显而易见，one-stage的检测速度得到很大的提升，但是检测精度确因此降低了

anchor-free

       前面说到two-stage检测精度高但是速度慢，one-stage检测速度快但是检测精度低，有小伙伴可能会觉得，自古精度、速度两难全啊！错了，人类的智慧是无尽的，近两年就有大量的研究者在想方设法的同时保全精度和速度的方法，anchor-free的目标检测网络就登上了历史的舞台了，它们中的佼佼者有CornerNet、ExtremNet、CenterNet(同一时间段出现了两个叫CenterNet表现都很亮眼)

最后总结一下：随着时代的发展，越来越好的目标检测网络/算法会像雨后春笋一样冒出来，这是发展的必然趋势，我们一起拭目以待吧

追逐AI的蜗牛
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
目标检测网络介绍
蓄霖塘
07-25 2871
RCNN：局部卷积神经网络。 结构分为：候选区域生成（采用selective search方法），特征提取网络（多个卷积层、relu，以及池化层），分类器（SVM），回归修正位置结构（线性脊回归器）。 流程为： 先在输入图像上进行SS，生成多层次的候选区域， 在候选区域上进行特征提取， 然后进行分类判断， 最后对候选区域位置进行修正。   Fast RCNN：快速局部卷积神经网络。
EfificientDet目标检测网络
qq_37705280的博客
04-11 380
EfificientDet:scalable and Efficient Object Detection 参考文章： https://blog.csdn.net/dwilimeth/article/details/103206530 https://blog.csdn.net/zhw864680355/article/details/103531307 https://www.cnblo...
2022目标检测综述
weixin_44074191的博客
11-28 1万+
编者整理了近年来主流的目标检测算法，并对网上资料进行了本文通过查阅资料，整合线上资源，尽可能的对目标检测领域的发展做一个系统性的介绍，旨在为读者构建一个完整的知识体系架构，希望帮助自己和大家快速的了解目标检测相关的技术及其未来的发展趋势，有针对性的学习相关目标检测算法。
目标检测最全综述
07-24 6695
前言 图片分类任务我们已经熟悉了，就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另一个问题，即目标检测问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车， 还要在图片中标记出它的位置， 用边框或红色方框把汽车圈起来， 这就是目标检测问题。 其中“定位”的意思是判断汽车在图片中的具体位置。 近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类， 一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN等），它
Faster R-CNN：端到端的目标检测网络
最新发布
新缸中之脑
06-03 824
传统的对象检测技术遵循下图给出的 3 个主要步骤。第一步涉及生成多个区域提案。这些区域提案是可能包含对象的候选区域。这些区域的数量通常为几千个，例如 2,000 个或更多。一些生成区域提案的算法的示例是选择性搜索和 EdgeBox。从每个区域提案中，使用各种图像描述符（例如方向梯度直方图 (HOG)）提取固定长度的特征向量。该特征向量对于对象检测器的成功至关重要。即使对象由于某些变换（例如缩放或平移）而发生变化，该向量也应该充分描述对象。然后使用特征向量将每个区域提案分配给背景类或对象类之一。
目标检测网络
weixin_42483745的博客
05-01 4194
文章目录一、目标检测网络简介二、one-stage1、yolo1.1 yolov11.2 yolov21.3 yolov31.4 yolov41.5 yolov52、SSD3、RetainNet二、two-stage1、R-CNN2、Fast R-CNN3、Faster R-CNN4、SPP-net总结 一、目标检测网络简介 大致分为两类one-stage和two-stage，主要区别是检测目标类别与bounding box回归任务是否分开进行。 two-stage代表是rcnn系列（rcnn、fast-
深度学习应用篇-计算机视觉-目标检测[4]：综述、边界框bounding box、锚框（Anchor box）、交并比、非极大值抑制NMS、SoftNMS
丨汀、的博客
06-08 1651
声明：部分项目为网络经典项目方便大家快速学习，后续会不断增添实战环节（比赛、论文、现实应用等）
【计算机视觉】目标检测算法综述 |滑动窗口算法、YOLO、RCNN系列算法
Yaoyao2024的博客
02-03 3633
YOLOv1是属于One Stage：端到端目标检测。下面我们对其如何生成以及大致思路进行了解。🌸思路首先将一幅图像分成SxS个网格(grid cell)（相当于将原图像进行SxS的裁剪，得到SxS个子图像，每个子图像进行单目标检测，不过这里的所有子图像是并行处理）。哪个目标物体的中心落在这个网格中，则这个网格负责预测这个目标。更具体来说，一张图片，对应有7×7个lables7x7表示有7x7个子区域，每个lables。
目标检测算法的概述、原理及应用.pdf
05-22
目标检测算法的概述、原理及应用 一、概述 目标检测算法是计算机视觉领域中的一项关键技术，其主要任务是在图像或视频中找出所有感兴趣的目标（物体），并确定这些目标的类别和位置。由于图像中的目标种类繁多，且...
基于Yolov5的目标检测
05-25
**基于Yolov5的目标检测** Yolov5是一种高效且准确的目标检测框架，它在计算机视觉领域中被广泛应用于图像识别、视频分析和自动驾驶等多个场景。Yolov5是You Only Look Once（YOLO）系列算法的最新版本，由Joseph ...
python目标检测
10-20
1. 目标检测概述： 目标检测旨在识别图像中的特定物体，并给出它们的位置（通常以边界框的形式）。这一技术在自动驾驶、无人机监控、视频分析、人脸识别等领域有广泛应用。 2. 基本步骤： - 特征提取：首先，通过...
tensorflow 目标检测代码
10-10
它允许开发者构建和部署各种机器学习模型，包括卷积神经网络（CNN），这对于目标检测至关重要。在目标检测任务中，TensorFlow通常与其他框架如SSD（Single Shot MultiBox Detector）、YOLO（You Only Look Once）或...
基于深度学习的目标检测综述(单阶段、多阶段、FPN变体、旋转目标检测等)
qq_36561737的博客
04-14 1万+
随着深度学习的发展，基于深度学习的目标检测方法因其优异的性能已经得到广泛的使用。目前经典的目标检测方法主要包括单阶段(YOLO、SSD、RetinaNet，还有基于关键点的检测方法等)和多阶段方法(Fast RCNN、Faster RCNN、Cascade RCNN等）。下面主要介绍单阶段的目标检测方法(SSD、YOLO系列、RetinaNet等)和多阶段目标检测方法(RCNN系列)。 一、单阶段 1、SSD 2、YOLO1 3、YOLO2 4、YOLO3 5、YOLO4 6、RetinaNet 二、多阶段
计算机视觉算法——目标检测网络总结
热门推荐
weixin_44580210的博客
06-14 4万+
计算机视觉算法——目标检测网络总结计算机视觉算法——目标检测网络总结1. RCNN系列1.1 RCNN1.1.1 网络结构及特点1.1.2 关键知识点——非极大值抑制算法（NMS）1.2 Fast RCNN网络结构及特点2. SSD3. YOLO系列 计算机视觉算法——目标检测网络总结 由于后面工作方向的需要，也是自己的兴趣，我决定补习下计算机视觉算法相关的知识点，参考的学习资料主要是B站Up主霹雳吧啦Wz，强推一下，Up主的分享非常的细致认真，从他这里入门是个不错的选择，Up主也有自己的CSDN博客，我这
目标检测网络的介绍及应用（一） -- 目标检测任务
LIT_Elric的博客
09-07 3447
摘要：在这之前我们已经介绍了神经网络、卷积神经网络的原理、应用以及常见的分类神经网络模型。但在实际情况中，我们很难直接得到一个只包含待检测物体的图像来进行分类。本文旨在介绍常用的目标检测模型，目标检测的任务是除了给出待检测目标的类别信息外，还需要给出物体在图像中的位置，并用一个最小的矩形框将其包围起来，即分类+定位。自从卷积神经网络被提出以来，目标检测领域也得到了飞速的发展，从Faster-RCN...
目标检测综述学习笔记
菜鸟中的菜中菜的博客
09-11 819
一、 目标检测两个分支，two-stage和one-stage算法 two-stage算法主要是RCNN系列，，包括RCNN, Fast-RCNN，Faster-RCNN，其中RCNN和Fast-RCNN之间过渡了一个SPPNet。之后在Faster-RCNN框架的基础上，又出现了更好的backbone网络Pyramid Networks。之后的Mask-RCNN融合了Faster-RCNN架构、ResNet和FPN（Feature Pyramid Networks）backbone，以及FCN里的se
目标检测网络基础知识介绍
darren_ying0803的博客
11-09 240
预处理、后处理 anchor-base anchor-free 评价指标
目标检测综述
David Lee的博客
04-08 2383
目标检测综述
yolo v2目标检测算法概述
04-14
它的主要思想是将目标检测问题转化为一个回归问题，通过一个单一的神经网络同时预测目标的类别和边界框。 YOLO v2相对于YOLO v1进行了一些改进，包括以下几个方面： 1. 多尺度训练：YOLO v2在训练过程中使用了不同...
评论
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