![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习-目标检测
文章平均质量分 96
CarNong_Blog
这个作者很懒,什么都没留下…
展开
-
【深度学习-目标检测】06 - FPN 论文学习与总结
多尺度特征的重要性论文强调在对象检测任务中,多尺度特征对于处理不同大小的对象至关重要。这些特征有助于编码具有尺度变化的对象。现有方法的局限性传统的多尺度特征提取策略,如使用经典的自上而下和自下而上的特征金字塔网络,存在一定的局限性。这些方法可能导致特征信息的丢失或降级,影响了特征融合的效果。特征金字塔网络(FPN)的提出为了克服这些限制,论文提出了一种新的网络结构,即特征金字塔网络(FPN)。FPN 旨在利用深度卷积网络的多尺度、金字塔形状的特征层次结构,创建具有强大语义信息的特征金字塔。原创 2023-12-26 17:09:02 · 1265 阅读 · 0 评论 -
【深度学习-目标检测】05 - YOLOv1 论文学习与总结
YOLO的提出:作者提出了YOLO,这是一种新的目标检测方法。与传统的目标检测方法不同,YOLO将目标检测视为一个回归问题,直接从图像像素到边界框坐标和类别概率的映射。方法特点统一的架构:YOLO使用单一的神经网络直接从完整图像中预测边界框和类别概率。这种统一的架构使得YOLO在检测性能上可以进行端到端的优化。实时性能:YOLO极其快速。基础的YOLO模型可以实时处理图像,每秒处理45帧。而更小的版本,Fast YOLO,可以处理高达155帧每秒,同时仍保持较高的平均精度(mAP)。性能比较。原创 2023-12-26 15:47:11 · 1802 阅读 · 0 评论 -
【深度学习-目标检测】04 - SSD 论文学习与总结
单一深度神经网络用于对象检测:SSD方法使用一个单一的深度神经网络来直接检测图像中的对象,这与传统的需要先生成 对象提议(区域提议)再进行分类的方法不同。传统的目标检测网络是”Two Stage“算法,SSD 是”One Stage“算法离散化的输出空间:SSD通过将边界框(Bounding Boxes)的输出空间离散化为一组宽高比和尺度的默认框,来实现对对象的检测。”连续化“的输出空间。原创 2023-12-26 14:02:26 · 1262 阅读 · 0 评论 -
【深度学习-目标检测】03 - Faster R-CNN 论文学习与总结
研究背景与挑战:当前最先进的目标检测网络依赖于区域提议)来假设目标的位置,尽管最新的技术(Fast R-CNN 和 SPPnet)以及减少了网络的运行和训练时间,但是区域提议(Region Proposals)依旧是一个瓶颈部分。区域提议网络RPN):论文提出一个新的区域提议网络,它与检测网络共享全图像的卷积特征图,这代表RPN不需要额外成本,它是一个全卷积网络,能够同时在每个位置预测目标边界和目标性分数。RPN可以端到端的进行训练,以生成高质量的区域提议(RPN)原创 2023-12-25 18:04:45 · 1853 阅读 · 0 评论 -
【深度学习-目标检测】02 - Fast R-CNN 论文学习与总结
Fast R-CNN方法的提出:论文提出了一种快速区域卷积网络的办法,基于之前的R-CNN网络进行改进。效率和准确性的提升:Fast R-CNN 在之前的工作基础上,通过几项创新提高了训练和测试的速度,同时也提高了检测的准确性(提高了训练和测试速度包括准确性性能比较:相较于 R-CNN,以VGG-16为特征提取网络的基础下,训练速度快9倍,测试时速度快213倍并且在PASCAL VOC 2012上实现了更高的平均精度。相较于 SPPnet,以VGG-16为特征提取网络的基础下,原创 2023-12-25 17:50:11 · 1389 阅读 · 0 评论 -
【深度学习-目标检测】01 - R-CNN 论文学习与总结
对象检测性能的现状:在PASCAL VOC数据集上测量的对象检测性能在过去几年已经达到了一个高点。最佳性能的方法通常是复杂的集成系统,结合了多种低级图像特征和高级上下文。R-CNN方法的提出:作者提出了一种简单且可扩展的检测算法,该算法在VOC 2012上的平均精度均值(mAP)比之前的最佳结果提高了30%以上,达到了53.3%。这种方法结合了两个关键见解:可以将高容量的卷积神经网络(CNN)应用于自下而上的区域提议,以定位和分割对象(将CNN应用到目标检测领域)。原创 2023-12-25 17:48:29 · 1251 阅读 · 0 评论