基于深度学习的目标检测算法（一）

最新推荐文章于 2024-05-15 16:26:02 发布
最新推荐文章于 2024-05-15 16:26:02 发布
阅读量644 收藏 2
点赞数
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_42051034/article/details/104496754
版权

基于深度学习的目标检测算法（一）

  • Two-stage（Faster RCNN系列）
  • One-stage（YOLO和SSD系列）

1. Two-stage基本介绍

  • CNN卷积特征
  • R.Girshick et al.,2014年提出R-CNN到Faster RCNN
  • 端到端的目标检测（RPN网络）
  • 准确度高、速度相较于one-stage慢

1.1 基本流程

1.2 核心组件

1.2.1 CNN卷积神经网络

一般CNN设计原则：

  • 一是从简到繁再到简的卷积神经网络。最开始的卷积神经网络是比较简单的，最经典的是Lenet，但是它的性能就相对较差，在大规模的任务中就会到达瓶颈，在网络中的表达能力就相对弱一些。之后又提出了Alexnet，VGGnet，Resnet，Goolenet，Densenet等等一些复杂的网络。这些网络发展主要是分为两个方向，一是增加网络的深度，尽可能的去增加网络深度，因为网络越深，它的非线性表达能力越强，在现实生活中，我们遇到的问题一般都是非线性的，因此这样可以得到物体更抽象的表达，而且网络越深，它对于图像 最初的一些变化更加不敏感，即鲁棒性更好，但是这样会出现两种问题，增加网络的规模，也会导致梯度消失或者说是梯度弥散的问题。二是增加网络的宽度，通过加大网络的宽度来增强网络的表达能力，比较有代表性的就是谷歌提出来的一系列 Inception 结构。
  • 更轻量级的CNN网络。之后在设计网络时考虑性能和网络模型大小的平衡，其中比较具有代表性的就包括了Mobilenet，ShuffleNet等。
  • 多尺度融合网络。通过融合不同尺度下的特征来提高网络的表达能力。

1.2.2 RPN 网络

  • 区域推荐（Anchor机制）
  • ROI Pooling
    输入：特征图、rois以及ROI参数； 输出：固定尺寸的的feature map
  • 分类和回归

1.3 改进方向

  1. 更好的网络特征；
  2. 更精准的RPN；
  3. 更完善对的ROI分类
  4. 样本后处理
  5. 更大的mini-Batch

2. Two-stage 常见算法

在这里插入图片描述

Zhouxk96
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
综述|基于深度学习的目标检测(一)
小白将
03-18 6万+
码字不易，欢迎给个赞！ 欢迎交流与转载，文章会同步发布在公众号：机器学习算法全栈工程师(Jeemy110) 目录 目录 概述 数据集和性能指标 数据集 性能指标 R-CNN SPP-net Fast R-CNN Faster R-CNN 参考文章 概述 图像分类，检测及分割是计算机视觉领域的三大任务。图像分类模型（详情见这里）是将图像划分为单个类别，通常对...
深度学习目标检测方法综述
ZONGXP的博客
04-26 1万+
参考：https://blog.csdn.net/Standing_On_Giant/article/details/60333329参考：https://blog.csdn.net/xiaohu2022/article/details/79600037从2014年开始，目标检测取得了巨大的突破。目前业界出现的目标检测算法有以下几种：1. 传统的目标检测算法：Cascade + Haar / SV...
部分基于深度学习的主流目标检测算法
最新发布
qq_44722189的博客
05-15 869
CNN首先通过选择性搜索算法Selective Search从一组对象候选框中选择可能出现的对象框，然后将这些选择出来的对象框中的图像resize到某一固定尺寸的图像，并喂入到CNN模型(经过在ImageNet数据集上训练过的CNN模型，如AlexNet)提取特征，最后将提取出的特征送入到分类器来预测该对象框中的图像是否存在待检测目标，并进一步预测该检测目标具体属于哪一类。这样做对小物体的检测不利，因为小物体本身具有的像素信息较少，在下采样的过程中，这些信息很容易丢失，从而降低了算法的性能。
基于深度学习的目标检测算法综述（二）
人工智能与机器视觉的博客
09-12 3821
前言 基于深度学习的目标检测算法综述分为三部分： 1. Two/One stage算法改进。这部分将主要总结在two/one stage经典网络上改进的系列论文，包括Faster R-CNN、YOLO、SSD等经典论文的升级版本。 2. 解决方案。这部分论文对物体检测中遇到的各类问题进行了分析并提出了解决方案。 3. 扩展应用、综述。这部分将就特殊物体检测和检测算法在其他领域的应用等方面进...
毕业设计-基于深度学习的目标检测算法
Hai_Lang_IT的博客
12-24 2159
毕业设计-基于深度学习的目标检测算法：目标检测（Object Detection）是高级视觉研究领域的重要前提，是计算机视觉研究的核心问题。深度学习拥有强大的自学习能力，将其运用至目标检测领域能够在一定程度上弥补了传统检测方法的不足。目标检测( object detection) 将待测目标的分割、识别、语义等高级视觉问题合为一体，对图像中的物体进行识别和定位，其准确性和实时性是衡量整个计算机视觉系统的一项重要标准。目标检测的目的在于解决图像的实例分割和定位框表示，所以，对图像进行目标检测不仅要确定目标的类
基于深度学习的目标检测算法综述
SIGAI_CSDN的博客
06-19 3万+
其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。 书的购买链接 书的勘误，优化，源代码资源 导言 目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是机器视觉领域的核 心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测 一直是机器视觉领...
基于深度学习的目标检测框架介绍.ppt
05-08
【基于深度学习的目标检测框架介绍】 目标检测是计算机视觉领域中的一个重要任务，它结合了图像分类和物体定位的功能。与传统的深度学习算法主要关注单一类别识别不同，目标检测旨在识别图像中的多个对象并精确地...
基于深度学习的小目标检测算法综述
08-25
当前的研究趋势表明，未来基于深度学习的小目标检测将更加注重模型的泛化能力、实时性能和鲁棒性。这可能涉及改进现有的检测框架，如Faster R-CNN、YOLO和SSD，或者探索新的损失函数、注意力机制以及数据增强技术。...
基于深度学习的SSD算法目标检测程序
05-06
Single-Shot MultiBox Detector目标检测模型在Pytorch当中的实现 进行了大幅度的更新，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪。 进行了大幅度的...
基于深度学习目标检测算法综述
08-27
目标检测（Object Detection）是计算机视觉领域的基本任务之一...年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测，技术本文总结了近十年来的深度学习目标检测算法
几种基于深度学习的目标检测算法
07-10
几种基于深度学习的目标检测算法：sppnet，rcnn,fast-faster rcnn,yolo,ssd
基于深度学习的发动机零件检测算法
07-07
针对人工和传统自动化算法检测发动机零件表面缺陷中准确率和效率低下，无法满足智能制造需求问题提岀了一种基于深度学习的检测算法。以 Faster r-CNN深度学习算法为算法框架，引入聚类理论来确定 anchor方案通过对比k- meansⅡ和CURE聚类算法生成 anchor对检测结果的影响，提出了基于聚类生成 anchor方案的 Faster R-CNN的零件表面缺陷检测算法，并引入多级ROI池化层结构，减少ROI池化过程中取整带来的偏差，实现高效并准确检测零件表面缺陷的目的。通过设计缺陷图像数据采集方案，建立了3种缺陷零件数据集，并验证了算法的性能。实验结果表明，该算法将缺陷检测的均值平均精度皿AP从原算法的54.σ%提高到97.9%，检测速度最快达到4.9fs，能够满足智能制造的生产需求。
《深度学习》之 目标检测 最全详解 （一）
热门推荐
DFCED的博客
03-22 3万+
目标检测 一.简介 目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。 随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、智能监控...
毕业设计-基于深度学习的视频目标检测
Hai_Lang_IT的博客
12-25 3750
毕业设计-基于深度学习的视频目标检测：视频目标检测是为了解决每一个视频帧中出现的目标如何进行定位和识别的问题。相比于图像目标 检测，视频具有高冗余度的特性，其中包含了大量的时空局部信息。随着深度卷积神经网络在静态图像目标检测领域的迅速普及，在性能上相较于传统方法显示出了非常大的优越性，并逐步在基于视频的目标检测任务上也发挥了应有的作用。但现有的视频目标检测算法仍然面临改进与优化主流目标检测算法的性能、保持视频序列的时空一致性、检测模型轻量化等关键技术的挑战。视频目标检测已成为众多的计算机视觉领域学者追逐的热
基于深度学习的【目标检测】算法综述
Nobita的博客
04-28 8609
        目标检测一直是计算机视觉的基础问题，在 2010 年左右就开始停滞不前了。自 2013 年一篇论文的发表，目标检测从原始的传统手工提取特征方法变成了基于卷积神经网络的特征提取，从此一发不可收拾。本文将跟着历史的潮流，简要地探讨「目标检测」算法的两种思想和这些思想引申出的算法，主要涉及那些主流算法。    概述 Overview在深度学习正式介入之前，传统的「目标检测」方法都是 区域...
基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN
weixin_34277853的博客
05-04 5313
object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。 object detection技术的演进：RCNN->Spp...
【华录杯】深度学习吸烟打电话识别
zengwb的博客
09-26 6255
2020华录杯基于深度学习的吸烟打电话识别算法 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、解题思路二、数据预处理2.读入数据总结 前言 设计出能够识别人物吸烟和打电话行为的算法，难点在于数据集中人物清晰度有限，而且人物的像素大小不一，要合理利用技巧，尝试不同的图像算法，提升吸烟打电话行为识别的准确度 一、解题思路 1.拿到数据后，我们先
理解基于深度学习的目标检测算法
MT2048的博客
03-14 6312
理解基于深度学习的目标检测算法 前言 原文地址：UNDERSTANDING DEEP LEARNING FOR OBJECT DETECTION 基本没有改变作者的原意，在很少的地方有微小的改动。 随着卷积神经网络（CNN）的出现，我们在计算机视觉任务（如目标检测，图像分割，分类等）方面取得了令人瞩目的进步。为了理解视觉场景中对象之间的动态和交互，我们需要对顺序和关联信息进行建模，以便在时间和空...
基于深度学习目标检测算法的发展历程
05-30
目标检测是计算机视觉领域的一个重要任务，它的发展历程可以分为以下几个阶段： 1. 基于手工特征的方法：最早的目标检测方法是基于手工设计的特征，例如Haar特征、HOG特征等。这些方法需要人工设计特征，计算量大，且对光照、姿态等变化敏感。 2. 基于机器学习的方法：随着机器学习算法的发展，目标检测方法开始使用机器学习算法来自动学习特征。其中比较典型的算法是基于AdaBoost的Viola-Jones算法和基于支持向量机（SVM）的方法。 3. 基于深度学习的方法：深度学习的出现使得目标检测方法得到了质的飞跃。最早的深度学习目标检测算法是R-CNN系列算法，它们将目标检测问题转化为分类问题，先使用选择性搜索等算法提取候选框，再对每个候选框进行分类。后来，Fast R-CNN、Faster R-CNN、YOLO、SSD等算法相继提出，将候选框的生成和分类合并到一个网络中，进一步提高了检测速度和准确率。 4. 单阶段目标检测算法：为了进一步简化目标检测算法，单阶段目标检测算法应运而生。这类算法包括YOLOv3、RetinaNet、EfficientDet等，它们将目标检测问题转化为一个回归问题，直接输出目标的位置和类别，不需要生成候选框，从而更加高效和精确。 总之，随着深度学习技术的不断发展，目标检测算法的效果和速度得到了极大的提升，成为计算机视觉领域研究的热点之一。
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