极致目标检测1
(第一次写这种文章,目的就是对所思所想做个记录,发表一下自己的见解,希望对他人有一定启发,也希望路过的大佬批评指正)。
由简入繁吧,项目方面的感悟和代码以后再写,今天主要就是简单写写。
关于人工智能
进入该领域的时间并不算长,但是也算有一点经验,发现人工智能的至高境界就是人,人学习的时间之长,覆盖领域之广,联想能力之深,时间记忆之长,都是一种极致,而且功耗之低,速度之快,也远不是一般计算机可以比拟的,将日常生活中的人工智能发挥到人一样的水准,某种意义上来说就算是到了一个极致了。
关于目标检测
目标检测有很多种算法:包括two-stage和one-stage,两阶段算法中比较经典的为RCNN系列,两者的区别就算单阶段的检测算法的速度远超两阶段,如sdd,yolo等。但人工智能里得失也似乎有一种均衡,速度大增之后精度有时并不如两阶段的高。
检测算法有两种基于:一种是anchor-based的,一种是anchor-free,以往的算法基本都是基于锚框的,近些年也有大佬发表一些性能远超前代的anchor-free算法,比如centernet和yolox等
目标检测的形成:算法为什么可以检测出目标物体呢,这是一种有监督学习,说白了就是人为告诉网络什么是什么,然后不断堆积高质量的数据,包含各种状态的,好的和坏的,完整的和缺损的,明亮的与灰暗的。有了这种监督,还需要将这些信息以一种不为人知的办法让网络学习到,这也就是卷积中很重要的特征提取过程。
关于实际应用
目标检测还有发展的空间,目前虽然越来越多优秀的算法开源,但是怎么修改联系应用是一门很深的学问。精度,速度的协调均衡也是一个十分重要的主题。优化剪枝,推理部署,还有很远的路要走。