基于深度学习的目标检测方法大致分类
- 基于区域
主要分两步走:
(1)生成可能区域(Region Proposal),类似于找ROI,提取特征
(2)放入分类器分类并修正位置
代表模型:
R-CNN (CVPR2014)
Fast R-CNN (ECCV2014)
Faster R-CNN (NIPS2015)
发展顺序:
R-CNN -> SPP Net -> Fast R-CNN -> Faster R-CNN -> Mask R-CNN - 基于回归
直接对预测的目标物体进行回归,快速(端到端)
YOLO (CVPR2016)
SSD (ECCV2016) - 基于RNN
IOUNet (CVPR2016)
以下开始如一介绍
- R-CNN
(1)使用selective search:先生成候选区域再检测,降低信息冗余程度,从而提高检测速度。将目标区域找出来后,均一化为统一大小,进行特征提取
(2) 训练一个SVM分类器, - Fast CNN
R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的,没有共享计算,该方法提出将基础网络在图片整体上运行完毕后,再传入R-CNN子网络,共享了大部分计算,故有Fast之名。
R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的,没有共享计算,便提出将基础网络在图片整体上运行完毕后,再传入R-CNN子网络,共享了大部分计算,故有Fast之名。