计算机视觉——目标检测入门级综述

最新推荐文章于 2023-09-11 09:18:05 发布
最新推荐文章于 2023-09-11 09:18:05 发布
阅读量1.9k 收藏 12
点赞数 5
分类专栏： 学习笔记 文章标签： 卷积 神经网络 卷积神经网络 算法 深度学习
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_43903564/article/details/108702167
版权
本文介绍了目标检测的任务及其与图像分类的区别，详细阐述了卷积神经网络（CNN）的发展历程，包括输入层、卷积层、池化层和全连接层。接着，文章回顾了从R-CNN到Mask R-CNN等一系列经典目标检测算法，分析了它们的优缺点，并探讨了当前目标检测领域的现状和发展趋势。
摘要由CSDN通过智能技术生成

计算机视觉——目标检测

背景与动机

目标检测任务

       首先理解什么是目标检测任务，它与图片分类有何区别？
目标检测实例
       理解目标检测算法就要先明确它的输入和输出：

输入：原始图片
输出：是什么？（类别）在哪里？（位置）

       与图片识别（分类）的区别在于，目标检测任务还要将物体具体的位置标出。如上图，不同颜色的框内标记着检测出的不同类型的物体，有自行车、人汽车、摩托车、信号灯等。每一个框都有一个标签，里面标注了物体的类别，以及该物体为此类别的置信度/概率。

深度学习发展历程

深度学习发展历程

错误率
       目前使用深度学习对图片进行处理已经非常成熟，准确率已接近人类的认知水平。

目标检测发展历程

目标检测发展历程
       2012年，AlexNet网络提出，是卷积神经网络发展也是深度学习发展的分水岭。2014年，深度学习正式用于目标检测任务。

卷积神经网络

人类视觉原理
       卷积神经网络是人类视觉原理的一种体现，即可视皮层是分级的。主要过程为：

视网膜输入原始信号->摄入像素
大脑皮层初步处理->边缘和方向
抽象->形状
进一步抽象->物体

LeNet
       最早的卷积神经网络是YannLeCun提出的LeNet，应用于手写数字识别。主要包含：输入层、卷积层、池化层、全连接层。

输入层

在全连接神经网络中，输入时由图片像素组成的一个向量。
在卷积网络中输入的是一个图片的矩阵形式，它保留了图片的空间结构信息。

卷积层

       卷积层是卷积网络的核心组件，其主要作用是从输入中提取特征。
       特点：权值共享、局部连接。
卷积过程
逐层特征提取

池化层

       用于降低特征图的维度。
       保留最重要的信息，减少了噪声，防止过拟合。
       使网络具有一定的平移不变性（图像中的目标不管被移动到图片的哪个位置，得到的标签应该是相同的）。
       常见的池化有最大池化和平均池化，池化对应图像的下采样。

最大池化
池化对应图像的下采样

全连接层

       最初的CNN使用全连接层，用于整合前面学习到的特征，通过非线性组合得到更高级的特征，即从隐层特征空间映射到样本标记空间。
       但是全连接层存在问题，就是要求输入的特征图尺度必须固定。因为全连接层部分的参数是神经元对于所有输入的连接权重，若输入尺寸不固定，全连接层参数的个数则无法固定。

卷积神经网络经典模型

开山之作：LeNet-1998
LeNet
王者归来：AlexNet-2012
AlexNet
稳步前行：ZFNet-2013
ZFNet
越走越深：VGGNet-2014
VGGNet
大浪推手：GoogLeNet-2014
GoogleNet
goolenet
闪光点：
1、引入Inception结构；
2、中间层的辅助LOSS单元；
3、后面的全连接层全部替换为简单的全局平均pooling。
里程碑式创新：ResNet-2015

最低0.47元/天 解锁文章
不务正业的程序媛
关注
专栏目录
[Python图像识别] 四十五.目标检测入门普及和ImageAI“傻瓜式”对象检测案例详解 (1)
杨秀璋的专栏
08-03 1万+
该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。上一篇文章是图像处理的最后一篇文章，写到这里，第一阶段的44篇Python图像处理就介绍完毕。接下来我们进入Python图像识别第二阶段，该部分主要以目标检测、图像识别以及深度学习相关图像分类为主，将会分享近50篇文章，感谢您一如至往的支持。希望文章对您有所帮助，如果有不足之处，还请海涵~
[Python从零到壹] 七十七.图像识别及经典案例篇之目标检测入门普及和ImageAI对象检测详解
最新发布
杨秀璋的专栏
04-28 801
前文介绍了人脸检测的应用案例，通过OpenCV快速实现人脸检测。这篇文章将详细讲解目标检测基础知识，并通过ImageAI实现对象检测的经典案例。本文主要介绍目标检测原理，通过七个问题来普及什么是目标检测。然后利用ImageAI实现最简单的目标检测案例，加深读者的印象，本文提供的案例将为读者提供深入的理解，希望您喜欢。
计算机视觉之目标检测入门1
qq_33145477的博客
07-24 381
基础知识 1. 1*1卷积 增加非线性 1*1卷积相当于全连接层的计算，并引入非线性激活函数，增加了模型的非线性，提高了网络模型表达更复杂特征的能力。 特征降维 通过卷积核的数量可以实现特征通道的缩放，可以有效减小模型参数和计算量。 2. 空洞卷积 空洞卷积又称扩张卷积，是在原有的卷积核基础引入扩张率（dilation rate），定义了卷积核处理数据之间的间距，增加了卷积核的感受野。 空洞卷积的特点： 在相同感受野下，空洞卷积可以得到更大的特征图，可以获得更加密集的数据。 在相同感受野下，空洞卷积更加
计算机视觉CV目标检测综述
nie1014的博客
12-29 2644
目标检测简述
计算机视觉之目标检测
小嵌同学的博客
02-25 3505
  在之前的文章中，我们已经实现了局域网视频流传输功能，朱老师的海思9季课程也结束了，一开始说的剩下的两季内容朱老师不做了，准备放到后边其他系列课程，所以暂时我也无法学习。不过我准备自己完成一些功能，接下来的工作就是：如何充分利用视频流中的图像实现更多的功能，我个人的打算是使用视频流中的图像进行垃圾分类检测。
计算机视觉之目标检测入门3
qq_33145477的博客
07-24 812
目标检测中的one-stage和two-stage two-stage：Fast-RCNN 将检测问题划分为两个阶段：产生候选区+对候选区进行分类 特点：错误率低，漏识别率低，但速度较慢，不能满足实时检测场景。 one-stage：YOLO，SSD 不需要产生候选区，直接产生物体的类别和位置坐标值 特点：更快的检测速度 SSD（single shot multibox detector） 1. SSD结构 SSD是2016年提出的one-stage目标检测算法，主网络结构为VGG16. VGG-16
计算机视觉之目标检测入门2
qq_33145477的博客
07-24 399
目标检测算法 R-CNN fast R-CNN faster R-CNN 三个模型由Ross B. Girshick完成，毕业于加州大学伯克利分校。 R-CNN（regions with CNN features） R-CNN由RGB与2014年提出的目标检测算法，将CNN用于目标检测的里程碑，借助于CNN特征提取和分类性能，通过RegionProposal（基于区域）方法实现目标检测。 1. 基于区域的方法selective search step1:计算区域集中每个相邻区域的相似度S={s1, s2
计算机视觉——语义分割入门级综述
不务正业的程序媛的博客
09-21 1536
计算机视觉——语义分割语义分割是什么？语义分割评价语义分割数据集经典算法介绍FCNPyramid Scene Parsing NetworkDeeplab V1 V2 V3 V3plusUperNetSqueeze-and-Excitation NetworksSelective Kernel NetworksGather-Excite: Exploiting Feature Context in Convolutional Neural NetworksCBAMENCnetPSANetAttention
视觉单目标跟踪任务概述
迷路的咸鱼的博客
11-14 5906
目标跟踪的主要难点 单目标跟踪的基本流程 单目标跟踪的分类 1.经典目标跟踪方法（2010年以前） 2.相关滤波（Correlation Filter，CF） 3.基于深度学习的跟踪方法（Deep Learning，DL） (1) 基于预训练深度特征的跟踪模型 (2) 基于离线训练深度特征的跟踪模型 (3) 相关滤波融入深度学习框架的跟踪模型 单目标跟踪的benchmark
R-CNN网络基础
最白の白菜的博客
02-28 1440
目录R-CNN网络基础Overfeat模型RCNN模型算法流程候选区域生成CNN网络提取特征目标分类（SVM）目标定位预测过程算法总结Fast RCNN模型算法流程ROI Pooling目标分类和回归模型训练模型预测模型总结总结 R-CNN网络基础 学习目标 了解Overfeat模型的移动窗口方法 了解RCNN目标检测的思想 了解fastRCNN目标检测的思想 知道多任务损失 Overfeat模型 Overfeat方法使用滑动窗口进行目标检测，也就是使用滑动窗口和神经网络来检测目标。滑动窗口使用固定宽
计算机视觉-目标检测
weixin_44715384的博客
05-30 211
计算机视觉-目标检测 1. 实习代码： import cv2 import numpy as np import matplotlib.pyplot as plt import os ''' 定义参数 ''' def get_svm_detector(svm): sv = svm.getSupportVectors() rho, _, _ = svm.getDecisionFunction(0) sv = np.transpose(sv) return np.appe
计算机视觉算法中的目标检测（Object Detection）
牛肉胡辣汤
09-11 547
目标检测是指在图像或视频中，识别和定位图像中包含的特定目标或物体的任务。与图像分类只需要识别图像中是否存在某个目标不同，目标检测需要在图像中确定目标的位置和边界框。目标检测在许多领域都有重要的应用，如智能监控、自动驾驶、人脸识别等。
计算机视觉之目标检测(object detection)《1》
深度学习领域优质创作者，CSDN博客专家
11-27 1796
目标的检测与锚框的标注
计算机视觉-目标检测（一）：从 R-CNN 到 Faster R-CNN
orangerfun的博客
06-11 1586
从SPP-Net到Fast R-CNN是一个巨大的进步，从分别训练分类器和回归器的多任务，到分类器回归器合二为一一起训练R-CNN 和 SPP-Net对比SPP-Net和Fast R-CNN对比Fast R-CNN 和 Faster R-CNN 对比。
计算机视觉之目标检测——R-CNN、Fast R-CNN和Faster R-CNN详解
qq_43371810的博客
02-25 1563
计算机视觉之目标检测——R-CNN、Fast R-CNN和Faster R-CNN详解 文章目录计算机视觉之目标检测——R-CNN、Fast R-CNN和Faster R-CNN详解目标检测的任务目标检测的方法R-CNN 目标检测的任务 目标检测是计算机视觉领域最经典最重要的任务之一，经过十几年的发展，目标检测已经日趋成熟。在2005年，有人将基于方向梯度直方图（HOG）的特征提取和基于支持向量机...
计算机视觉_目标检测_part1
weixin_44092937的博客
06-17 293
Methods 1.空洞卷积 下图中，右边为空洞卷积。 2.转置卷积 目标检测 1.传统的目标检测方法 滑动窗口法+传统机器学习分类器 滑动窗口即有一个窗口在图片上进行滑动，然后检测这个窗口里有没有object。 缺点： 识别效果不好，准确率不高；计算量较大，运行速度慢；且可能出现多个正确识别的结果。 2. 滑动窗口法则＋CNN CNN可以提高识别的准确率。 全卷积神经网络FCN 我们知道对于一个各层参数结构都设计好的神经网络来说，输入的图片大小是需要固定的，如图AlexNet,VGGNet,Googl
计算机视觉基础6-目标检测
yzy_1117的博客
12-13 2417
目标检测 区域卷积神经网络R-CNN 目标检测 检测图片中所有物体的类别标签，位置（最小外接矩形，bounding box 模块1：提取物体区域Region proposal 模块2：对区域分类识别 RCNN： selective search 优先合并四种区域：颜色相近的 纹理相近的 合并后总面积小的 合并后总面积在其BoundingBox中所占比例大的 RCNN:warp IoU 两个region的交并比 在ImageNet上对CNN模型进行pre-trai...
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