单阶段目标检测模型的发展历程是什么

最新推荐文章于 2023-10-30 17:05:59 发布
最新推荐文章于 2023-10-30 17:05:59 发布
阅读量214 收藏
点赞数
文章标签： 目标检测 深度学习 计算机视觉 人工智能
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/weixin_35750483/article/details/129497924
版权

单阶段目标检测模型的发展历程始于2012年，当时Fast R-CNN模型首次提出了将目标检测任务分为两个阶段：区域提议阶段和分类阶段。随后，一系列新的单阶段目标检测模型应运而生，如YOLOv1，YOLOv2，SSD等。这些模型通过简化模型架构和增加处理速度，在实际应用中取得了很好的效果。

近几年来，单阶段目标检测模型又发生了很大的变化，例如：YOLOv3模型通过加入多尺度预测，提高了检测精度；RetinaNet模型通过解决类不平衡问题，大幅提升了检测效果；EfficientDet模型则通过结合卷积神经网络和残差网络的优点，实现了高精度和高效率的检测。

总的来说，单阶段目标检测模型的发展历程

李多田
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
单阶段目标检测论文
10-28
YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。
目标检测anchor base/anchor free/two stage/one stage的发展流程
认真努力，做一只会飞的毛毛虫。
09-06 864
目标检测的发展思路 原始思路：切分后分类。 如何解决边界物体无法检测的问题： 如何解决定位不准确的问题：增加边界框回归任务 如何解决目标的多尺度问题：两个方法：多尺度滑窗和图像金字塔。二者能达到相同效果，实现方法不同。 以上过程存在的问题：需要分类的图像太多，效率低下。 如何解决：SS算法。最后只生成几十个或者几百个提议框，只针对这几个框做分类和回归。 于是产生了RCNN：首先通过区域提议找出可能包含物体的框，对于每一个提议区域，将其拉伸或者缩放到固定的尺寸，送入卷积神经网络得到其特征，最后通
【目标检测】目标检测究竟发展到了什么程度?聊聊这22年！
wzk4869的博客
01-20 7719
【目标检测】目标检测究竟发展到了什么程度?聊聊这22年！
CVPR2020-SEPC-单阶段目标检测提升4个点 | Scale-Equalizing Pyramid Convolution for Object Detection
weixin_42096202的博客
06-23 2055
启发应该是来源于SIFT中高斯金字塔带来的尺度不变性。论文出来很久了，感觉的确创新点很强，效果也是爆炸！ 论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Wang_Scale-Equalizing_Pyramid_Convolution_for_Object_Detection_CVPR_2020_paper.pdf Github地址：https://github.com/jshilong/SEPC Abstract： 特征金字塔已.
基于深度学习的单阶段目标检测算法研究综述.pdf
08-18
单阶段目标检测算法的发展历程可以追溯到近年来深度学习技术的兴起。深度学习技术的兴起为目标检测算法提供了新的解决方案，使得目标检测算法取得了突破式发展。在实时目标检测领域中，基于深度学习的单阶段检测算法...
近20年目标检测的发展综述.docx
11-12
《近20年目标检测的发展综述》这篇文章深入探讨了目标检测在计算机视觉领域的演进历程，特别是20世纪90年代至2019年间的关键进展。目标检测是计算机视觉的基础任务，它旨在确定图像中物体的位置和类别，为其他如实例...
基于深度学习的目标检测算法综述
01-16
总结，深度学习目标检测模型的发展历程反映了技术的不断进步和创新。从两阶段到单阶段，再到无锚点和transformer，每一步都提升了检测效率和鲁棒性。未来，随着开放世界检测等新课题的探索，目标检测技术将继续向着...
目标检测综述-范本模板.docx
11-11
总结来说，目标检测的发展历程反映了计算机视觉技术的不断进步，从传统的滑动窗口到基于深度学习的region proposal和CNN结合，再到端到端的检测模型，每个阶段都在解决前一阶段的痛点，追求更高的检测速度和精度。...
目标检测论文合集
12-19
4. **YOLO (You Only Look Once)**：YOLO系列论文（1506.02640_YOLO.pdf、1612.08242_YOLO2.pdf、1804.02767_YOLOv3.pdf）提出了单阶段目标检测方法，相比于两阶段方法，YOLO更快，但可能在小目标检测上精度略低。...
目标检测模型发展史
weixin_42269778的博客
03-02 1662
对于目标检测，传统的是基于滑动窗+分类模型； 而基于深度学习的有如下分类： 基于候选区域的，如R-CNN，SPP-net，Fast R-CNN，Faster R-CNN，R-FCN 端到端（End-to-End），如YOLO，SSD 2014 R-CNN，SPP-Net 2015 Fast R-CNN 2016 Faster R-CNN，R-FCN，YOLO，SSD YOLO目前有4个版本， YO...
目标检测算法发展史
最新发布
master_hunter的博客
10-30 3643
目标检测无非做两个事情，一是检测出该目标在图片或者视频里面所处的位置以及该目标的类别。二是对于有多个目标的图片，检测出所有目标所处的位置及其类别。那么对于第一个要解决的问题，我们可以来了解具体需要干什么事情。
基于深度学习的目标检测算法发展综述（2022.6.16第二版）
热门推荐
qq_41259302的博客
06-14 2万+
自己结合自己所学，以及一些中文外文关于目标检测的综述，整理了一篇大概内容发展的博客，希望给自己之后的复习能提供复盘记忆，也希望能为初学者省去一些文献寻找以及内容整合的时间。............
解析深度学习中各类目标检测模型的发展沿革与功能特性
qq_62530454的博客
09-13 1077
本文其实和笔者近期发表的其他文章同属robomaster学习过程中的经验分享，不过笔者希望主线里面的Ubuntu和ROS要素不被冲淡，所以并未归纳进去。这里主要介绍的是从13年开始逐渐兴起的目标检测模型到目前为止的发展历程以及其中一些关键模型的参数对比与优化分析。
目标检测二十年间的那些事儿——从传统方法到深度学习
我爱计算机视觉
08-21 2513
本文转载自DeepBlue深兰科技。本文主要参考自文献[1]：Zhengxia Zou, Zhenwei Shi, Member, IEEE, Yuhong Guo, and Jiepi...
efficientDet实战
如果想成为中心，那么就到中心去吧。
09-07 564
文章目录前言基于遥感影像的操场检测dataset3.pyconfig.pyconfig_eval.py paper: https://arxiv.org/abs/1911.09070 code: https://github.com/SonwYang/efficientdet 前言 谷歌大脑团队的研究者发现，EfficientNets 的效率超过之前常用的主干网络。于是研究者将 EfficientNet 主干网络和 BiFPN、复合缩放结合起来，开发出新型目标检测器 EfficientDet，其准确率优于之
EfficientDet
cdknight_happy的专栏
08-08 406
论文：https://arxiv.org/pdf/1911.09070.pdf 代码：https://github.com/google/automl/tree/master/efficientdet 1 问题提出 近年来的目标检测算法取得了很大的进步，但往往算法计算量很大，无法在机器人及自动驾驶领域应用。而单阶段、anchor free的算法和模型压缩又会损失检测精度。因此，作者提出能否针对不同的应用场景，构建可伸缩的检测架构以实现高效准确的目标检测？ 作者研究了一阶段目标检测算法的骨干网络设计、特征融合
目标检测架构5年演进全盘点：从R-CNN到RFBNet
weixin_34208283的博客
09-26 1086
目标检测是计算机视觉领域的基本且重要的问题之一，而「一般目标检测」则更注重检测种类广泛的自然事物类别。近日，中国国防科技大学、芬兰奥卢大学、澳大利亚悉尼大学、香港中文大学、加拿大滑铁卢大学的研究者在 arXiv 发布了一篇综述论文，对用于一般目标检测的深度学习技术进行了全面系统的总结。机器之心选取了其中部分内容进行介绍，更详细的内容请参阅原论文。 ...
yolo算法的优缺点分析_【精选推荐】基于深度学习的单阶段目标检测算法研究综述...
weixin_29913535的博客
01-06 1万+
DOI:10.12132/ISSN.1673-5048.2019.0100引用格式刘俊明,孟卫华. 基于深度学习的单阶段目标检测算法研究综述[J]. 航空兵器, 2020, 27(3): 44-53.Liu Junming,Meng Weihua. Review on Single-Stage Object Detection Algorithm Based on Deep Lear...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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