![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
王本宝
这个作者很懒,什么都没留下…
展开
-
目标检测之端到端:Fast RCNN
2015年,Ross Girshick提出Fast RCNN,在SPPNet之后提出。1、Fast R-CNN框架输入:一张包含多个ROI的图片网络:多层卷积(用了VGG16)特征提取,每个ROI被池化成一个固定大小的Feature map,最后被全连接层展开成一个特征向量。输出:特征向量被分享做两次操作(并行)1:经过output为21维的全连接层,用来做softmax分类,对ROI区域做物体识别2:经过output为84维的全连接层,用来做box regression候选框回归,修正定位,使原创 2020-11-17 21:34:55 · 1691 阅读 · 3 评论 -
目标检测发展之SPP-Net
(2015) SPP-NetSpatial Pramid Pooling 空间金字塔池化SPP-Net对2014年提出的RCNN做出了改进。1、算法流程通过选择搜索(selective search),对待检测图片搜索出2000个候选框。(同RCNN)改进:改变RCNN对2000多个框出来的图分别都输入CNN中的做法。将整张图直接输入CNN,一次性完成特征提取,得到Feature Map。然后在Feature Map中找到各个候选框区域,对每个区域用空间金字塔池化提取出固定长度的特征向量。(原创 2020-11-16 21:40:59 · 187 阅读 · 0 评论 -
目标检测开山之作:R-CNN
R-CNN全称:Region with CNN feature延续传统目标检测的思想。区域选择→特征提取→分类器分类具体流程:1、生成候选框,筛选采用selective search算法(选择搜索),进行图像分割。用非极大值抑制(NMS)确定候选框 1、根据置信度得分进行框的排序 2、将置信度最高的候选框放入输出列表 3、用IOU(交并比)判断候选框之间的重叠大小,设置一个阈值(经验值取0.3) 超过阈值的去掉。(合并包含同一物体的可能性高的区域)。大约提取2000个候选原创 2020-11-14 21:40:25 · 304 阅读 · 0 评论