![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
神经网络目标检测
DNN for Detection
haobo97
这个作者很懒,什么都没留下…
展开
-
Yolo框架简介
YOLO(You Only Look Once) 是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速度很快,可以用于实时系统。现在YOLO已经发展到v4版本.论文地址:链接: https://pjreddie.com/media/files/papers/yolo.pdf.Yolo结构的作用:对象识别和定位,可以看成两个任务:找到图片中某个存在对象的区域,然后识别出该区域中具体是哪个对象。对象识别这件事(一张图片仅包含一个对象,且基本占据图片的整个范围),最近几年基于CNN卷积神经网络的原创 2020-11-03 21:16:21 · 5180 阅读 · 1 评论 -
目标检测之Faster R-CNN
论文链接: https://arxiv.org/abs/1506.01497.一、提出Faster R-CNN是为了改进Fast R-CNN而提出来的。因为在Fast R-CNN文章中的测试时间是不包括search selective时间的,而在测试时很大的一部分时间要耗费在候选区域的提取上。Faster R-CNN解决了耗费时间提取候选区域的问题。整体结构整体结构具体如下图Faster R-CNN由下面几部分组成:1)卷积层(conv layers),用于提取图片的特征,输入为整张图片,原创 2020-11-02 10:59:07 · 273 阅读 · 0 评论 -
目标检测之Fast-RCNN
论文链接: https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf.Fast R-CNN是在 R-CNN的基础上进行的改进,大致框架是一致的。总体而言,Fast R-CNN相对于R-CNN而言,主要提出了三个改进:提出了RoIPooling,避免了对提取的region proposals进行缩放到224x224,然后经过pre-trained C原创 2020-10-28 10:07:52 · 121 阅读 · 0 评论 -
RCNN简介
RCNN(Regions with CNN features)是在2014年提出的一种目标检测算法,RCNN是将CNN方法应用到目标检测问题上的一个里程碑,借助CNN良好的特征提取和分类的性能,通过REgionPropo方法实现目标检测。RCNN的特点与流程总结一:速度经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域,之后仅在这些候选区域上提取特征,进行判断。二:训练集经典的目标检测算法在区域中提取人工设定的特征(Haar,HOG)。本文则需要训练深原创 2020-10-28 09:39:47 · 3110 阅读 · 0 评论