目标检测算法——YOLO与SSD解析

最新推荐文章于 2023-10-28 14:43:26 发布
最新推荐文章于 2023-10-28 14:43:26 发布
阅读量6.5k 收藏 37
点赞数 1
分类专栏： deep learning 文章标签： YOLO SSD 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_44695969/article/details/101777189
版权

文章目录

1 YOLO(you only look once)算法

1.1 YOLO整体结构

一个网络搞定一切，GoogleNet + 4个卷积+2个全连接层
在这里插入图片描述

  • YOLO流程理解
  1. 原始图片resize到448x448，经过前面卷积网络之后，将图片输出成了一个7*7*30的结构
  2. 默认7*7个单元格，每个单元格预测两个bbox框
  3. 进行NMS筛选,筛选概率以及IoU

1.2 网格(grid)——7x7x30

1.2.1 单元格(grid cell)

最后网络输出的7*7*30的特征图怎么理解？7 * 7=49个像素值，理解成49个单元格，每个单元格可以代表原图的一个方块。单元格需要做的两件事：

  1. 每个单元格负责预测一个物体类别，并且直接预测物体的概率值
  2. 每个单元格预测两个(默认)bbox位置，两个bbox置信度(confidence) 7*7*2=98个bbox
    30=(4+1+4+1+20), 4个坐标信息，1个置信度(confidence)代表一个bbox的结果， 20代表 20类的预测概率结果
1.2.2 网格输出筛选

在这里插入图片描述
一个单元格会预测两个bbox，在训练时我们只有一个Bbox专门负责（一个Object 一个Bbox），怎么进行筛选？

  1. 首先，如何判断单元格中是否包含object呢？
    如果一个object的ground truth的中心点坐标在一个grid cell中，那么这个grid cell就是包含这个object，也就是说这个object的预测就由该grid cell负责。
  2. 如何筛选单元格中的两个bbox：通过置信度大小比较（每个bbox都对应一个置信度）
  • 如果grid cell里面没有object，confidence就是confidence=0*0
  • 如果有，则confidence score等于 预测的两个bbox和ground truth的IOU乘积（confidence=IoU1*IoU2）
  1. 每个单元格输出：一个置信度高的bbox，一个概率大的类别
  2. 网格输出筛选
    每个单元格预测出一个自己的类别（概率最大的那个类别），整个网格输出如图所示：
    （这个类别概率不属于单元格两个bbox中任何一个，而是属于这个单元格所预测的类别。）
    在这里插入图片描述
    不同于Faster R-CNN中的anchors，YOLO的bbox是由网络得出，而Faster R-CNN是人为设定一个值，然后利用RPN（区域预测网络）对其优化到一个更准的bbox和类别

1.3 非最大抑制(NMS)

每个Bbox的Class-Specific Confidence Score以后，设置阈值，滤掉概率低的bbox，对每个类别过滤IoU，就得到最终的检测结果
在这里插入图片描述

1.4 YOLO训练

怎么理解这个过程？同样以分类那种形式来对应，假设以一个单元格的预测值为结果，如下图
在这里插入图片描述

  • 损失
    三部分损失：bbox损失+confidence损失+classfication损失

1.5 与Faster R-CNN比较

在这里插入图片描述

  • Faster R-CNN利用RPN网络与真实值调整了候选区域，然后再进行候选区域和卷积特征结果映射的特征向量的处理来通过与真实值优化网络预测结果。
  • 而这两步在YOLO当中合并成了一个步骤，直接网络输出预测结果进行优化。
    所以经常也会称之为YOLO算法为直接回归法代表。
  • YOLO的特点
    • 优点：速度快
    • 缺点：准确率会打折扣
      YOLO对相互靠的很近的物体（挨在一起且中点都落在同一个格子上的情况），还有很小的群体检测效果不好，这是因为一个单元格中只预测了两个框

2 SSD(Single Shot MultiBox Detector)算法

2.1 SSD简介

SSD算法源于2016年发表的算法论文，论文网址：https://arxiv.org/abs/1512.02325
SSD的特点在于:

  • SSD结合了YOLO中的回归思想和Faster-RCNN中的Anchor机制，使用全图各个位置的多尺度区域进行回归，既保持了YOLO速度快的特性，也保证了窗口预测的跟Faster-RCNN一样比较精准。
  • SSD的核心是在不同尺度的特征特征图上采用卷积核来预测一系列Default Bounding Boxes的类别、坐标偏移。

2.2 SSD结构

以VGG-16为基础，使用VGG的前五个卷积，后面增加从CONV6开始的5个卷积结构，输入图片要求300*300。
在这里插入图片描述

2.3 SSD流程

在这里插入图片描述
SSD中引入了Defalut Box，实际上与Faster R-CNN的anchor box机制类似，就是预设一些目标预选框，不同的是在不同尺度feature map所有特征点上使用PriorBox层（Detector & classifier）
在这里插入图片描述

2.4 Detector & classifier

Detector & classifier的三个部分：

  1. PriorBox层：生成default boxes（默认候选框）
  2. Conv3 x 3：生成localization（4个位置偏移）
  3. Conv3 x 3：confidence（21个类别置信度(要区分出背景)）
  • 以feature map尺度为5*5*256为例
    在这里插入图片描述
    在这里插入图片描述
2.4.1 PriorBox层-default boxes

在这里插入图片描述

  • default boxex类似于RPN当中的滑动窗口生成的候选框，SSD中也是对特征图中的每一个像素生成若干个框。
  • 特点分析：
    • priorbox：相当于faster rcnn里的anchors，预设一些bbox，网络根据bbox，通过分类和回归给出被检测到物体的类别和位置。每个window都会被分类，并回归到一个更准的位置和尺寸上
    • 各个feature map层经过priorBox层生成prior box

2.5 与其他算法的比较

在这里插入图片描述
从图中看出SSD算法有较高的准确率和性能，兼顾了速度和精度

tigerlib
关注
  • 1
    点赞
  • 踩
  • 37
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
深度学习目标检测：RCNN，Fast，Faster，YOLO，SSD比较
ikerpeng
01-10 4万+
这篇博文很简单，我就画了一个图，将各自的要点进行比较说明。相信这样看过去就一目了然了，但是需要说明的还是： YOLO可能不应该放在这里，但是为了和SSD进行比较还是放了。另外，YOLO出了第二版本了，所以放在这边也没有问题。iker Peng2017年1月10日
SSD简述
qq_28778507的博客
12-10 1223
SSD也是one stage的检测。one stage的特点是：均匀的在图片的不同位置进行密集抽样，抽样采用不同的尺寸和长宽比，然后利用CNN提取特征之后，直接进行回归和分类。整个过程只有一步。它的优势是速度快，但是密集采样会导致正负样本（前景和背景）及其不均衡，使得模型准确度较低。下面来看看two stage和one stage在mAP和speed上的差异。 SSD采用CNN直接进行检测。不像...
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
m0_46406029的博客
12-17 7883
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
目标检测算法之Yolo系列
02-24
本文来自weixin，本文介绍了R-CNN基本结构和原理，YOLO的基本原理，推理过程，计算loss以及具体实用过程等。目标检测算法是计算机视觉三大基础任务之一，其包括目标定位和目标分类两部分。在yolo系列出来之前，主流的做法是分段式的R-CNN系列，主要包括R-CNN、FastR-CNN、FasterR-CNN、MaskR-CNN等。R-CNN的基本结构如下图所示：R-CNN主要分为候选区提取和候选区分类两个阶段，并且两阶段分开训练。其主要思想如下。首先通过选择性搜索（SelectiveSearch）对输入进行超像素合并，产生基础的子区域。然后将小的子区域不断合并成大区域，并从中找出可能存
tensorflow实现 YOLO v3目标检测算法.rar
最新发布
03-02
tensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3目标检测算法.rartensorflow实现 YOLO v3
目标检测之yolo算法.pptx
06-04
着重从yolo算法原理与网络结构方面介绍
基于图像的目标检测算法YOLO 和 SSD 的区别是什么？
changjuanfang的专栏
05-17 2825
YOLO：YOLO将输入图像划分为SxS个网格，并为每个网格预测B个边界框，以及每个边界框的物体类别和置信度。在每个特征图单元上，SSD预测边界框的相对偏移量和尺寸，并结合先验框的坐标和尺寸计算真实的边界框。然而，由于其使用多尺度特征图和较多的默认框，SSD在计算上可能比YOLO更昂贵。- SSD：SSD可以更好地检测各种大小的物体，因为它利用多尺度特征图来预测边界框。- YOLO：YOLO对小物体的检测性能较差，因为使用单一尺度的特征图限制了其捕捉不同大小物体的能力。
实战深度学习目标检测：RCNN （5）
leva的博客
08-14 306
深度学习目标检测：SSD SSD: Single Shot MultiBox Detector 目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）： （1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者 CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高； （2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置
目标检测基础、Yolo系列、SSD
m0_46902739的博客
04-07 2927
尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。YOLO把目标检测看作一个回归问题，直接用一个网络进行分类和框回归。
经典目标检测神经网络 - RCNN、SSD、YOLO
Life And Code
10-28 2857
One-Stage：YOLO系列（v1-v8），SSD系列（R-SSD、DSSD、FSSD等），Retina-Net，DetectNet，SqueezeDet。Two-Stage：RCNN系列（Fast-RCNN、Faster-RCNN、Mask-RCNN），SPPNet，R-FCN。
目标检测算法-yolo3-pytorch-master.zip
04-12
YOLO v3网络优点 相比于YOLO v2网络，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力 。
基于SSD与YOLOv5的小目标检测算法分析，转自《中国信息科技》
ZHUO__zhuo的博客
05-01 994
SSD与YOLOv5算法均为目标检测算法中的一阶段算法，小目标检测是近年来的计算机视觉中的难点和痛点，因为小目标相比于大目标在样本中不容易发现，分辨率低、特征少、样本不均衡等问题。近年来，许多研究者基于现有的目标检测算法进行改进应用于小目标检测，为了更加有效地改进小目标检测的算法和现实应用的需求，本文从一阶段目标检测算法中选择了YOLOv5与SSD进行实验，对实验结果和过程进行分析，得出改进小目标检测算法的建议。该数据集主要解决3个问题：目标检测，目标之间的上下文关系，目标的2维上的精确定位。
YOLO、SSD、FPN、Mask-RCNN检测模型对比
吴建明wujianming_110117
05-18 4156
YOLO、SSD、FPN、Mask-RCNN检测模型对比 一．YOLO（you only look once） YOLO 属于回归系列的目标检测方法，与滑窗和后续区域划分的检测方法不同，他把检测任务当做一个regression问题来处理，使用一个神经网络，直接从一整张图像来预测出bounding box 的坐标、box中包含物体的置信度和物体所属类别概率，可以实现端到端的检测性能优化 原理如下： 输入一张图片，图片中包含N个object，每个object包含4个坐标（x，y，w，h）和1个label。在网络
One-stage Detection YOLO 与 SSD对比
ckqsars的博客
12-08 5837
作为在one-stage Detection领域中，存在两类领军级别的检测器，大部分的one-stage的检测器都或多或少能看到这两者的影子，这两个就是YOLO()和SSD
深度学习入门（四十七）计算机视觉——SSD和YOLO简介
ElysiumAILab
11-22 774
课件（单发多框检测SSD） 生成锚框 SSD模型 效果 总结 课件（YOLO） YOLO（你只看一次） 效果
【深度学习进阶】02目标检测理论：一阶段方法YOLO v1-v3、SSD、RetinaNet、FCOS网络对比分析
ShiTianlei的博客
10-05 2670
目标检测任务中SSD、RetinaNet、YOLO v1算法的简要介绍
YOLO与SSD的区别
Hello Word!
11-03 5559
YOLO 将物体检测这个问题定义为bounding box和分类置信度的回归问题。 将整张图像作为输入，划分成SxS grid，每个cell预测B个bounding box（x, y, w, h）及对应的分类置信度（class-specific confidence score）。分类置信度是bounding box是物体的概率及其与真实值IOU相乘的结果。 SSD 将物体检测这个问题的解空间，抽象为一组预先设定好（尺度，长宽比）的bounding box。 在每个bounding bo
深度学习（5）之---目标检测综述：R-CNN、mask-RCNN、YOLO、SSD原理详解
yohnyang的博客
04-30 3344
目标检测综述：R-CNN、mask-RCNN、YOLO、SSD原理详解
RCNN，SSD， YOLO的优缺点比较及反思
热门推荐
JianqiuChen的博客
01-17 3万+
RCNN，SSD， YOLO的优缺点比较及反思1. RCNNFast-RCNNFaster-RCNNFaster-RCNN 系列的反思2. YOLOYOLO V1YOLO V2YOLO V3YOLO系列的反思3. SSD 1. RCNN rcnn对于原有的目标检测算法提升50% 在VGG-16网络模型下，voc2007数据集上准确率为66%，但是速度很慢，内存占用量大，主要原因为候选框由速度较慢的...
anchor设置 yolo_目标检测——YOLO-v2！
06-10
在YOLO-v2目标检测算法中，Anchor是指一组预设的边界框，这些边界框的大小和比例是在训练集中通过聚类得到的。YOLO-v2使用KMeans聚类算法来得到预设的Anchor。具体步骤如下： 1. 从训练集中选取一部分样本作为聚类样本； 2. 对聚类样本进行KMeans聚类，得到K个聚类中心； 3. 对聚类中心进行非极大值抑制（NMS），去除高度重叠的聚类中心； 4. 选取剩余聚类中心作为Anchor。 得到预设Anchor之后，YOLO-v2通过比较每个Anchor与目标框的重叠程度来确定目标框的位置和大小。具体来说，对于每个Anchor，如果它与某个目标框的重叠程度（IoU）高于一定阈值，则该Anchor被认为是与该目标框对应的Anchor，然后通过回归的方式预测目标框的位置和大小。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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