目标
目标检测之YOLO算法:https://zhuanlan.zhihu.com/p/136382095
YOLO v1,v2,v3:https://blog.csdn.net/App_12062011/article/details/77554288
YOLO v4:https://mp.weixin.qq.com/s/Ua3T-DOuzmLWuXfohEiVFw
YOLO5:https://github.com/ultralytics/yolov5
yolov5:https://blog.csdn.net/weixin_38842821/article/details/108544609
1、了解two-stage和one-stage的基本流程与常见算法
2、two-stage和-stage的核心组件
3、two-stage和one-stage的优缺点对比
一、Two-stage的算法
1.two-stage的基本介绍
- 利用CNN卷积提取特征
- 典型的网络代表:R.Girshick et al.,2014提出的R-CNN到Faster RCNN
- 端到端的目标检测(RPN网络)
- 准确度高、速度相对于one-stage慢
第一步主要是先训练RPN网络。第二步关键目标的网络训练,目标检测是通过一个完整的卷积神经网来训练完成
Two-stage常见的算法: - RCNN
- Fast RCNN
- Faster RCNN
- Faster RCNN变种
2.two-stage的核心组件
CNN网络的设计原则:
- 从简到繁再到简的卷积神经网络
- 多尺度融合特征网络
- 更轻量级的CNN网络
二、One-stage的算法
1.one-stage的基本介绍
- 利用CNN卷积提取特征
- 直接回归物体的类别概率和位置坐标(无region proposal)
- 准确度低、速度相对于two-stage的快
One-stage常见算法:
- YoloV1/V2/V3/v4/V5
- SSD/DSSD等
- Retina-Net
2.one-stage的核心组件
- CNN网络
- 回归网络
- 遵从CNN网路的设计原则