SSD（Single Shot MultiBox Detector）是一种目标检测算法，通过单次前向传播同时完成目标定位和分类，解决了R-CNN系列算法速度慢的问题。SSD基于VGG-16，利用不同尺度的特征层检测不同大小的目标，以实现实时检测。训练过程中，算法学习预测边界框的位置和类别，通过与真实标注的边界框对比进行优化。Pascal VOC和COCO数据集常用于训练。
阅读时间将近四分钟
卷积神经网络在检测图像中的目标时优于其他神经网络架构。不久，研究人员们就改进了CNN以进行目标定位和检测，并称这种架构为R-CNN （Region-CNN）。R-CNN的输出是带有矩形框的图像，其围绕图像中的目标以及该目标的对应类。
以下是R-CNN的实现步骤：
1. 使用选择性搜索算法扫描输入图像以查找可能的目标并生成大约2000个候选区域。
2. 在每个候选区域上运行CNN。
3. 获取每个CNN的输出并将其输入到：
(1) SVM模型中对区域进行分类
(2) 如果存在这样的目标，则使用线性回归器收紧目标的边界框
R-CNN用于目标检测
虽然R-CNN比传统的CNN在目标定位、检测和分类方面取得了很大进步，但实时实现这一点仍然存在问题。一些问题是：
1. 训练数据很难处理，而且耗时很长
2. 训练分两个阶段进行（eg.训练候选区域和分类）
3. 网络模型在使用时耗时较长（处理非训练数据时）
为了改进R-CNN，后续出现Fast-RCNN，Faster-RCNN，Mask-RCNN等
最低0.47元/天 解锁文章
371
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
