摘要：
Faster RCNN算法利用了两阶结构， 先实现感兴趣区域的生成， 再进行精细的分类与回归， 虽出色地完成了物体检测任务， 但也限制了其速度， 在更追求速度的实际应用场景下， 应用起来仍存在差距。 在此背景下， YOLO v1算法利用回归的思想， 使用一阶网络直接完成了分类与位置定位两个任务， 速 阅读全文
posted @ 2020-10-12 15:45
赵家小伙儿
阅读(693)
评论(0)
推荐(0)
摘要：
本节将对SSD算法进行总结， 并介绍多个基于SSD的改进算法。 1. 审视SSD SSD实现了一个较为优雅、 简洁的物体检测框架， 使用了一阶网络即完成了物体检测任务， 达到了同时期物体检测的较高水平。 总体上，SSD主要有以下3个优点： ·由于利用了多层的特征图进行预测， 因此虽然是一阶的网络， 阅读全文
posted @ 2020-10-12 14:00
赵家小伙儿
阅读(1334)
评论(0)
推荐(0)
摘要：
SSD算法原理综述： 参考：http://www.360doc.com/content/20/0104/21/99071_884171814.shtml https://blog.csdn.net/qq_41368247/article/details/88027340?utm_medium=dis 阅读全文
posted @ 2020-10-12 11:14
赵家小伙儿
阅读(416)
评论(0)
推荐(0)
摘要：
对于物体检测任务， 第4章的Faster RCNN算法采用了两阶的检测架构， 即首先利用RPN网络进行感兴趣区域生成， 然后再对该区域进行类别的分类与位置的回归， 这种方法虽然显著提升了精度， 但也限制了检测速度。 YOLO算法利用回归的思想， 使用一阶网络直接完成了物体检测， 速度很快， 但是精度 阅读全文
posted @ 2020-10-10 18:02
赵家小伙儿
阅读(326)
评论(0)
推荐(0)
摘要：
Faster RCNN从问世到现在， 期间诞生了众多优秀的物体检测算法， 但凭借其优越的性能， 目前依然是物体检测领域主流的框架之一。尤其是在高精度、 多尺度和小物体等物体检测领域的难点问题上， 新型算法基本都是在Faster RCNN的基础上优化完善的。 本节将首先分析Faster RCNN的特点 阅读全文
posted @ 2020-10-10 15:15
赵家小伙儿
阅读(2705)
评论(0)
推荐(0)
摘要：
1. 准备工作 1） 首先从GitHub上下载本章所用的代码， 地址如下： git clone git@github.com:dongdonghy/Detection-PyTorch-Notebook.git 2) 然后创建data文件夹 cd Detection-PyTorch-Notebook/ 阅读全文
posted @ 2020-10-09 17:09
赵家小伙儿
阅读(981)
评论(3)
推荐(0)
摘要：
RCNN全称为Regions with CNN Features， 是将深度学习应用到物体检测领域的经典之作， 并凭借卷积网络出色的特征提取能力， 大幅度提升了物体检测的效果。 而随后基于RCNN的Fast RCNN及Faster RCNN将物体检测问题进一步优化， 在实现方式、 速度、 精度上均有 阅读全文
posted @ 2020-10-09 16:51
赵家小伙儿
阅读(2521)
评论(0)
推荐(0)
摘要：
1. Anchor/PriorBox Faster RCNN：首先在第一个阶段对固定的Anchor进行了位置修正与筛选， 得到感兴趣区域后， 在第二个阶段再对该区域进行分类与回归； SSD: 直接将固定大小宽高的PriorBox作为先验的感兴趣区域， 利用一个阶段完成了分类与回归;PriorBox本 阅读全文
posted @ 2020-10-09 13:31
赵家小伙儿
阅读(4223)
评论(0)
推荐(0)
浙公网安备 33010602011771号