7.目标检测

最新推荐文章于 2024-05-18 13:21:49 发布
最新推荐文章于 2024-05-18 13:21:49 发布
阅读量116 收藏 1
点赞数
分类专栏： # 深度学习 文章标签： 目标检测 深度学习 人工智能
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_50973728/article/details/125341643
版权

目标检测算法分类

在这里插入图片描述
在这里插入图片描述

目标检测的任务

分类原理

在这里插入图片描述

分类的损失与优化

在这里插入图片描述
在这里插入图片描述
对于目标检测来说不仅仅是分类这样简单的一个图片输出一个结果，而且还需要输出图片中目标的位置信息，所以从分类到检测，如下图标记了过程

检测的任务

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

目标定位的简单实现思路

**在分类的时候我们直接输出各个类别的概率，如果加上定位的话，我们可以考虑在 网络的最后输出加上位置信息。（增加一段全连接输出4个位置，做损失计算）**

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

两种Bounding box名称

在这里插入图片描述
在这里插入图片描述

R-CNN与SPPNet

在这里插入图片描述

目标检测-Overfeat模型

滑动窗口

在这里插入图片描述
在这里插入图片描述
这种方法类似一种暴力穷举的方法，会消耗大量的计算力量，并且由于窗口大小问题可能会造成效果不佳，但是提供了一种解决目标检测问题的思路。

R-CNN模型

在这里插入图片描述
在这里插入图片描述

  • 候选区域（Region of Interest）
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • CNN网络提取特征
    在这里插入图片描述
  • 特征向量训练分类器SVM
    在这里插入图片描述
    每个SVM分类器做的事情，判断2000个候选区域是某类别，还是背景
  • 非最大抑制（NMS）
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 修正候选区域
    在这里插入图片描述
    在这里插入图片描述
  • 检测的评价指标
    IOU交并比
    在这里插入图片描述

在这里插入图片描述
平均精确率（mean average precision）
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 流程总结
    输入图片
    在这里插入图片描述
    找出图片中可能存在目标的候选区域region proposal
    在这里插入图片描述
    将候选区域调整为适应AlexNet网络的输入图像的大小227227，通过CNN对候选区域提取特征向量，2000个建议框的CNN特征组合成网络AlexNet最终输出：20004096维矩阵
    在这里插入图片描述
    将2000    4096维特征经过SVM分类器（20种分类，SVM是二分类器，则有20个SVM），获得200020种类别矩阵。
    分别对2000    20维矩阵中进行非极大值抑制（NMS:non-maximum suppression）提出重叠建议框，得到与目标物体最高的一些建议框
    在这里插入图片描述
    修正bbox，对bbox做回归微调在这里插入图片描述
  • 优缺点

在这里插入图片描述
在这里插入图片描述

SPPNet

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 映射
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • spp

在这里插入图片描述
在这里插入图片描述

  • 总结

在这里插入图片描述
在这里插入图片描述

Fast R-CNN

在这里插入图片描述

  • 改进的地方
    在这里插入图片描述
  • Rol pooling
    在这里插入图片描述
    在这里插入图片描述
  • End-to-End model

在这里插入图片描述

  • 多任务损失-Multi-task loss
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

R-CNN、SPPNet、Fast R-CNN对别

在这里插入图片描述

Faster R-CNN

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • RPN原理
    在这里插入图片描述

anchors（窗口）
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • Faster RCNN训练
    在这里插入图片描述
    在这里插入图片描述
  • 候选区域训练
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

开源的keras Faster RCNN模型

https://github.com/jinfagang/keras_frcnn

  • 环境
    在这里插入图片描述
  • 代码结构
    在这里插入图片描述

YOLO（You only look once）

在这里插入图片描述
可以看出YOLO的最大特点是速度快

结构

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 单元格（grid cell）
    在这里插入图片描述
  • 网格输出筛选
    在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

  • 非最大抑制（NMS）
    在这里插入图片描述
  • 训练
    在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

与Faster R-CNN比较

在这里插入图片描述

总结

在这里插入图片描述

SSD(Single Shot MultiBox Detector)

在这里插入图片描述

原理结构

  • 结构

在这里插入图片描述

  • 流程

在这里插入图片描述

  • Detectr&classifier
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • PriorBox层-default boxes
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • localization与confidence
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

训练与测试过程

  • 训练流程
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

  • 测试流程
    在这里插入图片描述
    在这里插入图片描述
C--G
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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~
目标检测算法——YOLOv7改进|增加小目标检测层
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-02 1万+
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
对视觉目标检测的整体认知（基于目标检测综述）
迷路的咸鱼的博客
05-31 4863
  图像的目标检测(Object Detection)算法大体上可以分为基于传统手工特征的时期（2013年以前）以及基于深度学习的目标检测时期。从技术发展上来讲，目标检测的发展则经历了包围框回归、卷积神经网络的兴起、多参考窗口（anchors）、困难样本挖掘、多尺度多端口检测、特征融合等几个里程碑式的进步。如下图所示，为2019年5月发表的目标检测综述《Object Detection in 20 Years: A Survey》，它除了对目标检测从2001到2009年的里程碑式算法和start-of-ar
cs231n学习笔记-CNN-目标检测、定位、分割
MyArrow的专栏
07-11 5万+
1. 基本概念 1）CNN：Convolutional Neural Networks  2） 2. CNN基本知识 2.1 CNN的卷积流程  1）Activations maps的个数与Filter的个数一致。 2）输入层与Filter、Padding、Stride、参数和输出层的关系
目标检测（Object Detection）
热门推荐
yegeli的博客
11-20 19万+
文章目录目标检测（Object Detection）一、基本概念1. 什么是目标检测2. 目标检测的核心问题3. 目标检测算法分类1）Tow Stage2）One Stage4. 目标检测应用1）人脸检测2）行人检测3）车辆检测4）遥感检测二、目标检测原理1. 候选区域产生1）滑动窗口2）选择性搜索① 什么是选择性搜索② 选择搜索流程③ 选择搜索优点2. 数据表示3. 效果评估4. 非极大值抑制三、目标检测模型1. R-CNN系列1）R-CNN① 定义② 流程③ 效果④ 缺点2）Fast R-CNN① 定义
目标检测算法——YOLOV7——详解
TigerZ*的博客
08-02 16万+
本文详细解读了YOLOV7 0.1版本代码的网络结构、损失函数、正负样本匹配规则等。可以高效的快速掌握YOLOV7的宏观结构和真正实现时的核心点。
目标检测简介
m0_63462829的博客
01-17 2523
目标检测简介、评估标准、经典算法
YOLOv7（目标检测）入门教程详解---检测，推理，训练
weixin_64524066的博客
09-14 10万+
零基础入门yolov7，从环境配置到检测，推理，训练，再到c++预测
YOLO系列目标检测数据集大全
小秋的博客
04-17 10万+
YOLO系列目标检测数据集大全目标检测数据集无人机检测数据集飞鸟检测数据集人脸和口罩检测数据集安全帽检测数据集火焰检测数据集火焰和烟雾检测数据集行人检测数据集行人车辆检测数据集车辆检测数据集待更新…… 目标检测数据集 无人机检测数据集 数据集下载： 飞鸟检测数据集 人脸和口罩检测数据集 安全帽检测数据集 火焰检测数据集 火焰和烟雾检测数据集 行人检测数据集 行人车辆检测数据集 车辆检测数据集 待更新…… .....................
目标检测算法——收藏|小目标检测解决方案（三）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-11 9135
目标检测算法——收藏|小目标检测解决方案（三）。在计算机视觉领域中，小目标检测是经常会遇到且令人头疼的问题。本期小海带简要介绍了5个提高小目标检测模型性能的方法，有需要的小伙伴赶快点赞+收藏起来喔！！！
yolov7旋转目标检测完整代码
05-13
markdown有详细的代码使用说明，可以很容易运行代码 1. 提供检测的数据集 2. 支持各类数据增强 3. 支持TensorRT部署 4. 支持多GPU训练及单GPU或CPU训练
目标检测Yolov7 python实现
03-23
此资源python实现Yolov7 ，有比较完整的注释，帮助读者可以轻松地读懂代码 里面有readme文件可以帮助读者找到相应的博客，相应的bilibili、github 适用于对Yolo有一定了解的人，对Yolov3\v4\v5等等的结构都有一定...
yolo-使用Yolov7+Flask开发的目标检测Web应用.zip
03-03
yolo_使用Yolov7+Flask开发的目标检测Web应用
基于yolov7的口罩检测模型
07-14
1.训练好的yolov7口罩检测模型 2.模型存放在runs文件夹 3.内部有教程 4.精度93%左右 5.有多个训练好的模型可以使用 6.分为3类，戴口罩、未戴口罩和没戴好口罩
基于YOLOv7+Pytorch实现目标检测模型源码+权值文件+说明文档.rar
04-15
1、资源内容：基于YOLOV7+Pytorch实现目标检测模型（完整源码+权值文件+说明文档+2GB数据集下载链接）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息...
深度学习之基于Yolov7驾驶员疲劳检测系统
2301_79809972的博客
05-17 963
一、项目背景随着汽车保有量的不断增加，驾驶安全问题日益受到人们的关注。驾驶员疲劳驾驶是导致交通事故的重要原因之一。因此，开发一种能够实时监测驾驶员疲劳状态并提前发出预警的系统对于保障驾驶安全具有重要意义。近年来，深度学习技术特别是目标检测技术在计算机视觉领域取得了显著进展，为驾驶员疲劳检测提供了新的解决方案。本项目旨在利用YOLOv7算法，开发一个基于深度学习的驾驶员疲劳检测系统。二、项目目标。
深度学习之激活函数——Leaky ReLU
最新发布
m0_61787307的博客
05-18 1010
Leaky ReLU激活函数是为了解决ReLU激活函数会出现的dead relu神经元死亡的现象，而这一现象的根本原因是ReLU函数在x0的范围内梯度恒为0，无法更新参数。所以Leaky ReLU将x0的部分换成一个斜率很小的一个线性函数来解决这一问题。
深度学习之基于Tensorflow卷积神经网络花卉识别系统
2301_79809972的博客
05-18 786
一、项目背景与目标随着人工智能技术的不断发展，图像识别技术已经广泛应用于各个领域。在植物学领域，自动识别花卉种类对于植物分类、生态保护以及园艺应用具有重要意义。传统的花卉识别主要依赖于人工分类和鉴定，这种方法耗时且容易受主观因素影响。因此，开发一个基于深度学习的花卉识别系统，实现自动化、准确的花卉分类与识别，成为当前研究的热点。本项目旨在利用Tensorflow深度学习框架，构建一个基于卷积神经网络（CNN）的花卉识别系统。
pytorch-13_1 深度学习之数据准备
weixin_45311418的博客
05-15 846
自定义数据集类，封装数据def __init__(self, features, labels): # 创建该类时需要输入的数据集self.features = features # features属性返回数据集特征self.labels = labels # labels属性返回数据集标签self.lens = len(features) # lens属性返回数据集大小# 返回index对应的特征和标签# 返回数据集大小。
yolov7旋转目标检测
07-28
对于旋转目标检测，YOLOv7并不直接支持。YOLOv7是一种基于单尺度的目标检测算法，它将输入图像划分为网格，并为每个网格预测边界框和类别。这种方法对于水平或垂直的目标检测效果较好，但对于旋转的目标可能会存在...

“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
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