- 博客(4)
- 收藏
- 关注
原创 YOLO和SSD
YOLO:googlenet+4个卷积+2个全连接层网络输出大小7730流程解释:默认将图片分成网格,每个网格预测两个bbox,NMS。单元格:77个像素值,49个单元格每个单元格负责预测一个物体类别,直接预测物体的概率值每个单元格预测两个bbox位置,两个bbx置信度一个bbx,xmin ymin xmax ymax confidence30:两个bbx 42+2=1020个输出代表20类的预测概率结果网格的输出筛选:一个网格有两个bbx 但是在训练时只有一个bbx负责预测
2021-05-11 10:51:22
598
原创 Fast Rcnn 和Faster Rcnn
Faster RcnnFast rcnn(sotfmax 和 bbox回归的损失 可以反向传播求导):提出了roi pooling 整合整个模型,将cnn roipooling 分类器 bbox回归 几个模块整个一起训练步骤:输入图片到卷积网络,得到整个图片的feature map选择性搜索的结果ROI映射到feature map 中ROI pooling layer 提取固定长度的特征向量,每个特征输入一系列的全连接层 得到ROI特征向量(每个候选区域都需要进行 )fast rcnn 采用
2021-05-07 13:28:46
454
1
原创 RCNN和SPPnet
Rcnn和SPPnet先区域推荐然后进行目标分类:rcnn sppnet fastrcnn fasterrcnn端到端的目标检测 一个网络一步到位 yolo ssd 输出物体位置目标检测 :输入图片 输出物体类别物体的位置坐标xmin ymin xmax ymax 左上角 右下角点信息rcnn 和sppnet对于多个目标的情况不能固定个数输出物体的位置目标检测 overfeat模型格式滑动窗口:定义若干个大小的窗口 k个 然后每个k都要滑动n次rcnn(基于Alexnet)候选区域:
2021-05-06 09:51:17
187
原创 目标检测算法学习笔记
目标检测算法传统的目标检测算法VJ算法Hog+svm(行人检测 opencv)DPM(物体检测)NMS 非极大抑制算法 消除多余的框深度学习的目标检测算法Two stageOnestage:SSD算法SSD优化DSSD算法FSSDRSSD传统的目标检测算法传统的目标检测算法都是手动设计特征,利用滑动窗口提取目标框。VJ(脸部识别)Hog+Svm(行人检测)DPM(在Hog的基础上加入策略,提升了精度)VJ算法haar特征抽取(纹理特征之一) 训练人脸分类器(adaboost算法) 滑动
2021-04-14 16:49:49
319
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人