前言
上一篇文章:
AI实战:基于深度学习的目标检测算法汇总:R-CNN系列 (R-CNN、Fast R-CNN、Faster R-CNN)
本文继续基于深度学习的目标检测算法汇总:SSD、YOLO系列
SSD
-
SSD的流程图:
-
要点:
- 采用多尺度特征图独立检测
- 采用多尺度特征图独立检测
-
源码分享
YOLO系列
-
YOLO的流程图
-
要点
- YOLO 在卷积层之后使用了 DarkNet 来做特征检测。
- YOLOv2 可以处理不同分辨率的输入图像。
- YOLOv3 使用了更加复杂的骨干网络来提取特征。DarkNet-53 主要由 3 × 3 和 1× 1 的卷积核以及类似 ResNet 中的跳过连接构成。
- YOLOv3 还添加了特征金字塔,以更好地检测小目标。
-
源码分享
keras-yolo3:点击查看
YOLOv3( tensorflow Implement ):点击查看
YOLO_tensorflow:点击查看
yolov2_tensorflow:点击查看
FPN(特征金字塔网络)
-
FPN的流程图:
- 要点
- FPN 由自下而上和自上而下路径组成。
- 其中自下而上的路径是用于特征提取的常用卷积网络。空间分辨率自下而上地下降。
- 当检测到更高层的结构,每层的语义值增加。
-
源码分享
Feature Pyramid Networks for Object Detection(caffe):点击查看
Pytorch implementation of Feature Pyramid Network (FPN) for Object Detection:点击查看
Feature Pyramid Networks for Object Detection:点击查看
FastFPN: 点击查看