深度学习在目标检测中的应用

最新推荐文章于 2024-07-23 10:05:31 发布

白茫茫大地真干净

最新推荐文章于 2024-07-23 10:05:31 发布

阅读量5.6k

点赞数 2

分类专栏：目标检测文章标签：深度学习神经网络目标检测

本文链接：https://blog.csdn.net/spirit_king/article/details/53559006

版权

本文概述了从R-CNN到YOLO的深度学习在目标检测领域的进步，包括SPPnet、Fast R-CNN和faster R-CNN。每个算法都针对前者的挑战提出解决方案，如SPPnet解除固定尺寸约束，faster R-CNN通过RPN减少计算瓶颈，而YOLO则通过回归方法提升实时性能。

摘要由CSDN通过智能技术生成

首先我们从CVPR2016观察一下目标检测新进展。2016年的CVPR会议目标检测的方法主要是基于卷积神经网络的框架，代表性的工作有ResNet（在faster R-CNN中将ResNet替换VGG）、YOLO（回归检测框架）、LocNet（更精准定位）、HyperNet（神经网络高层信息利于识别，底层特征利于定位，高低层特征融合）、ION（在Fast R-CNN基础上增加上下文信息）、G-CNN（减少潜在框）。
基本都是在faster R-CNN 框架下做改进，YOLO在架构上有所创新。faster R-CNN作为目前深度学习应用于目标检测的一种重要方法，一下5篇论文大致反映了自2013年RGB大神提出R-CNN（将深度学习引入目标检测问题）以来，深度学习算法在目标检测领域的一个发展历程。

R-CNN——>SPPnet——>Fast R-CNN——>faster R-CNN——>YOLO
以下对各算法提出的背景与解决的问题做出简单梳理：
1、目标检测进展缓慢，CNN在图片分类中取得重大成功。
提出R-CNN：将检测问题转化成分类问题，应用CNN。
选择性搜索（SS）提取region proposal、CNN提取各region的特征、SVM分类、边界框（BB）回归。
2、 CNN要求输入图片尺寸固定，各proposal特征图计算不共享。
提出：SPPnet，引入SPP层解除固定尺寸约束。
3、太多候选定位区域要被处理；这些候选取仅是粗略定位。
提出：Fast R-CNN，结合了学习分类目标候选区与改善他们空间定位的单步训练算法