深度学习（六）--目标检测

最新推荐文章于 2023-12-09 20:24:09 发布
最新推荐文章于 2023-12-09 20:24:09 发布
阅读量418 收藏
点赞数
文章标签： 深度学习 神经网络
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_42007339/article/details/107078724
版权

目标检测

概念

  • 定位
  • 分类
  • 任务
    • 单个目标
      • 分类+定位
    • 多个目标
      • 实例分割
      • 目标检测
  • 思路
    • 回归问题
      • 利用神经网络进行目标识别，同样的目标变为坐标值
    • 局部识别问题
      • 框游走知道能百分百确定分类结果
      • 缺点
        • 计算量大
      • 优点
        • 精确
      • 生成候选位置

DPM

  • 可变形的不同组件的模型
  • 概念
    • 提取图像特征，制作出激励模板，在又是图像滑动计算，得到激励效果图，根据激励分布确定目标位置
  • 扩展
    • 目标可能会形变，各个部分单独考虑
  • 过程
    • 产生多个模板，整体模板以及不同局部模板
    • 不同模板同输入图片卷积产生特征图
    • 特征图组合形成融合特征
    • 对融合特征进行传统分类，得到目标位置
  • 优点
    • 方法简单直观
    • 运算速度快
    • 适应运动物体变形
  • 缺点
    • 性能一般
    • 激励特征人为设计，工作量大
    • 大幅度旋转无法适应，稳定性差

R-CNN

  • 神经网络分类思想
    • 对多个位置，不同尺寸，慵倦极神经网络判断区域内图片是不是某物
  • 候选位置提醋和方法
    • EdgeBox
  • 候选框进行SVM分类
    • 步骤
    • 分类器的训练
      • 直接用ImageNet模型
    • Fine-Tune分类模型
      • 选择20类进行探测
      • 21类
        • 加上一类啥都不是
    • 特征提取
      • 图片计算候选区域，候选区域切分土浦安，变成输入大小，提取响应高级特征，存储特征
    • 单独目标探测器训练
      • 每一类单独训练
      • 每一类训练数据平衡
      • 每一类BBOX回归
  • 数据集
    • PASCAL
  • 评估方法
    • mAP
      • 平均精度
    • IoU
      • 交补率
  • 优点
    • CNN用于目标探测，利用了CNN高校识别能力，大大提高了性能
    • 拜托认为设计物品模板，方法具有通用性
    • 分类+回归，为找到精确位置的可能
  • 缺点
    • 为了检测一个目标，所有候选区域，大量卷积运算，非常慢
    • SVM训练和CNN断裂，有效信息不饿能用于优化模型，不是端到端的
    • 每一类单独训练，异常繁琐

Fast-R-CNN

  • 共享卷积
    • 卷积计算保持空间位置
    • 共同区域的卷积计算只需进行一次
    • 切割候选区域+提取特征图=计算完整特征图+切割对应候选区
  • 特征一致化Max Pooling
    • 特征变成统一大小
  • 位置+类别 联合学习
    • 两个FC分别回归和分类
  • 速度快了精度提升不多
    • 不考虑候选区域生成
  • 怎么解决候选区域的生成，也需要靠神经网络吗？
  • RPN
  • 直接产生候选区域，无需额外生成
  • 直接用于后续特征图切割
  • 实现
    • 在特征图上的卷积核有一个中间层，中间层可以分为两个部分
      • 分类：
        • 打分
      • 回归：
        • 坐标范围
    • 生成k个候选区
  • anchor详解
    • 如果是VGG conv5作为特征图，3*3区域对应的原始图像区域？：
      • 4个pooling，16倍
    • anchor的平移不变怎么理解：
      • 较小的平移pooling过程中忽略
    • anchor同外接候选区区别：
      • 数量1-2，数量级减小
      • 性能更高效
      • 速度：10倍
    • anchor设计的借鉴意义：
      • 神经网络有能力找到最终量，也有能力找到很多中间量
      • 只用anchor判断是不是目标，会不会存在大材小用，能判断更多吗
  • 训练
    • 分布训练，太复杂
    • 更简单方法：
      • 联合学习
    • 一个网络四个损失函数：
      • anchor是不是目标
      • anchor回归候选区域回归
      • Fast R-CNN分类
      • Fast R-CNN基于侯选位置回归
  • 精度影响
    • 无
  • 速度
    • 算上生成候选图，速度提升十倍，可以算是实时交互

 

YoLo

  • 直接找到是什么，在哪里
  • 图片分成7*7网络
  • 每个网格生成
    • b个Bbox4坐标+1信心
    • N个类别分数
  • 回归目标
    • 7*7*（5b+N）
  • 候选区域
    • b= 2
    • 98个
  • 实时运行
  • 精度下降
  • 定位精度较差
  • SSD
    • 中间层特征参与位置、种类计算
    • 候选区98vs8732
    • 速度21：46
    • 66.4：74.3

完整训练 端到端

多目标学习

加油学python
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习——目标检测
weixin_63131711的博客
11-17 475
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。计算机视觉中关于图像识别有四大类任务：1.分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。2.定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。3.检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
目标检测（Object Detection）
热门推荐
yegeli的博客
11-20 21万+
文章目录目标检测（Object Detection）一、基本概念1. 什么是目标检测2. 目标检测的核心问题3. 目标检测算法分类1）Tow Stage2）One Stage4. 目标检测应用1）人脸检测2）行人检测3）车辆检测4）遥感检测二、目标检测原理1. 候选区域产生1）滑动窗口2）选择性搜索① 什么是选择性搜索② 选择搜索流程③ 选择搜索优点2. 数据表示3. 效果评估4. 非极大值抑制三、目标检测模型1. R-CNN系列1）R-CNN① 定义② 流程③ 效果④ 缺点2）Fast R-CNN① 定义
深度学习-目标检测
03-10
七月在线课程-- 介绍目标检测深度学习框架： Rcnn系列。faster rcnn ,mask rcnn ， 模型框架，vgg, google-le net , res-net 及代码讲解。
深度学习之目标检测
qq_36559788的博客
03-29 1万+
算法的设计往往与名字有着句对的关联性，目标定位检测即目标定位+检测。而方法采用的是深度学习的方法的话则需要进一步的结合两者间的融合学习。在深度学习中比较常用的目标定位检测方法有RCNN系列方法和YOLO系列方法。其中RCNN系列方法的定位过程和检测过程是分开的，即先定位目标，然后对定位出的目标进行分类，这种设计思路有利于静态的定位检测，但却不利于实时的场景。与之相反的是YOLO系列算法，由于将图像和位置坐标相融合的表述方式，该算法利于实时的目标定位检测场景。 ...
目标检测（深度学习）
qq_44747572的博客
10-30 1195
https://bbs.cvmart.net/articles/4992 https://www.jiqizhixin.com/articles/2020-03-09-2 https://zhuanlan.zhihu.com/p/34142321 https://segmentfault.com/a/1190000022285081
深度学习-09(目标检测:Object Detection)
yegeli的博客
07-24 8504
目标检测（Object Detection） 一 、基本概念 1. 什么是目标检测 目标检测( Object Detection )的任务是找出图像中所有感兴趣的目标(物体) ,确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 计算机视觉中关于图像识别有四大类任务: ( 1 )分类.Classification :解决”是什么?”的问题,即给定一-张图片或一段视频判断里面包含什么类别
深度学习中目标检测
zero的博客
11-15 1971
该部分内容出自书《21个项目玩转深度学习：基于TensorFlow的实践详解》，有需要的同志可以关注我的公众号，加入下发的群，在群公告中有附网盘，可以自取（仅供学习使用）。如果失效可以联系或者在公众号留言！！！** 深度学习中目标检测的原理 R-CNN 的全称是 Region-CNN，它可以说是第一个成功地将深度学习应用到目标检测上的算法 。 后面将要学习的 Fast R-CNN、 Faster ...
深度学习 目标检测 大全
12-26
深度学习 目标检测 算法大全列表 吐血总结 实用 涵盖主流算法
5. 深度学习中的目标检测 python代码实现
05-08
基于tensorflow深度学习框架，采用python语言编写代码，实现基于深度学习的目标检测程序
深度学习（目标检测）
qq_41514914的博客
05-16 839
目录什么是目标检测传统方法——DPM基本思想目标检测的过程优点缺点神经网络分类——R-CNN方法神经网络分类的思想R-CNN的测试过程R-CNN的总结Fast R-CNN的共享卷积运算 什么是目标检测 目标检测的任务是找出图像中所有感兴趣的目标,确定它们的位置和类别。 传统方法——DPM 基本思想 目标检测的过程 优点 缺点 神经网络分类——R-CNN方法 神经网络分类的思想 R-CNN的测试过程 R-CNN的总结 Fast R-CNN的共享卷积运算 ...
深度学习--目标检测
weixin_57830244的博客
11-16 101
深度学习目标检测是指利用深度学习技术来识别图像或视频中的特定目标，如行人、车辆、动物等。它是计算机视觉领域的一个重要研究方向，可以应用于智能交通、安防监控、医学影像分析等领域。深度学习目标检测的一些常见算法包括Faster R-CNN、YOLO、SSD等。这些算法利用深度学习模型来提取图像特征，并通过训练来识别和定位目标。目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。
深度学习目标检测
qq_43573054的博客
02-17 534
深度学习目标检测（一）
最新发布
xyk2795950571的博客
12-09 913
这次我们学习了目标检测一些基本概念，了解了yolo相关知识，后面我们将进行更多目标检测知识讲解，学习yolov3的使用，想要更快了解可以到百度飞浆平台。
基于深度学习的目标检测研究进展
凌风探梅的专栏
05-31 5979
开始本文内容之前，我们先来看一下上边左侧的这张图，从图中你看到了什么物体？他们在什么位置？这还不简单，图中有一个猫和一个人，具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置。其实刚刚的这个过程就是目标检测，目标检测就是“给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别”。 目标检测对于人来说是再简单不过的任务，但是对于计算机来说，它看到的是一些值为0~255的数组，因而很难直接得到图像中有人或者猫这种高层语义概念，也不清楚目标出现在图像中哪个区域。图像中的目
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