计算机视觉学习--目标检测算法分类_基于深度学习的目标分类用什么-程序员宅基地

技术标签：计算机视觉

基于深度学习的目标检测算法主要分为两类：

1 two stage:

先进行区域生成（一个可能包含待检测物体的预选框），在通过卷积神经网络进行样本分类。

常见的算法：R-CNN SPP-Net Fast R-CNN R-FCN Faster R-CNN等

2 one stage:

不用RP,直接在网络中提取特征来预测物体的分类和位置

常见的算法：YOLOv1 YOLOV2 YOLOV3 SSD 等

R-CNN介绍：

创新点：使用CNN 对region proposal 计算feature vectors 。从经验驱动特征（SIFT,HOG），到数据驱动特征

大样本下有监督训练，和小样本微调的方法，解决过拟合问题

后来因为这个算法过于冗杂（每个候选区域都要进行卷积），又提出了fast Rcnn,其创新点在于：

1 只对整副图像进行一次特征提取（称作 shared feature map），避免rcnn的冗余

2 用ROl pooling 层替换掉maxpooling ，巧妙的解决了尺度缩放的问题

3 末尾采用的是并行不通的全连接层，可同时输出分类结果

4 输出是多个batch vector，其中batch的值等个roi的个数，vector 大小为 channel*w*h ,ROL pooling 作用就是讲一个个大小不用的box框，映射成大小固定的

不足之处：

候选区域提取仍然采用selective search，整个检测流程大多消耗在这上面。之后的faster rcnn的改进之处便是针对这一点。

它用深层网络代替了候选框的方法，新的网络在生成ROI效率更高。

两者的对比，RPN将第一个卷积网络的输出特征图作为输入，它在特征图上滑动一个3*3的卷积核，构建与类别无关的候选区域，如下图所示：

这个网络最后会输出256个值，并送入两个单独的全连接层，以预测边界框和两个objectness分数，这个两个分数度量了边界框是否包含目标。

one stage 目标检测算法：

这里介绍代表性的一个YOLO（you only look once ）系列算法：

其创新点在于：

1：将整张图作为输入，直接在输出层回归bounding box的位置和所属类别

2：速度快，one stage detection的开山之作

之前的物体检测方法都是首先需要产生大量可能包含带检测物体的先验框，然后用分类器判断每个先验框对应的边界框是否包含待检测物体，以及物体的类别和可致信度，还要修理边界框，最后基于一些准则，过滤掉置信度不高的框，这种基于先产生候选区在检测的方法，虽然有较高的检测率。但是运行速度较慢。

YOLO创造性的将物体检测任务当做回归任务，将候选区和检测两个阶段合二为一，事实上，YOLO也并没有真正的去掉候选区，而是直接将输入图片划分成7x7=49个网格，每个网格预测两个边界框，一共预测49x2=98个边界框。可以近似理解为在输入图片上粗略的选取98个候选区，这98个候选区覆盖了图片的整个区域，进而用回归预测这98个候选框对应的边界框。

网络结构如图所示：

卷积层提取图像特征，两个全连接层，预测图像位置和类别概率值。

特点：

1 有全连接层，所以要求输入图像尺寸固定

2 采用非极大值抑制算法

3 定位不准确

改进算法：目前流行的算法YOLOV3，

1 使用残差模型（最好的是Darknet-53），进一步加深了网络结构，另一个使用FPN，架构，实现多尺度的检测。

这种one stage 的检测器。对类别不均衡的问题比较敏感，因为没有RPN阶段。但是优点是速度快

人脸检测是目标检测分支中一个比较特殊的领域，虽然通用的目标检测算法也可以应用在人脸检测领域，但是和专门的人脸检测算法还是有些差别的，比如基于级联卷积神经网络，基于多任务卷积神经网络，很大程度上提高了检测的鲁棒性。

常用的目标检测数据集

PASCAL VOC

MS COCO

IMAGENET

本文链接：https://blog.csdn.net/Colin_xuan/article/details/90726301

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

稀疏编码的数学基础与理论分析-程序员宅基地

文章浏览阅读290次，点赞8次，收藏10次。1.背景介绍稀疏编码是一种用于处理稀疏数据的编码技术，其主要应用于信息传输、存储和处理等领域。稀疏数据是指数据中大部分元素为零或近似于零的数据，例如文本、图像、音频、视频等。稀疏编码的核心思想是将稀疏数据表示为非零元素和它们对应的位置信息，从而减少存储空间和计算复杂度。稀疏编码的研究起源于1990年代，随着大数据时代的到来，稀疏编码技术的应用范围和影响力不断扩大。目前，稀疏编码已经成为计算...

EasyGBS国标流媒体服务器GB28181国标方案安装使用文档-程序员宅基地

文章浏览阅读217次。EasyGBS - GB28181 国标方案安装使用文档下载安装包下载，正式使用需商业授权, 功能一致在线演示在线API架构图EasySIPCMSSIP 中心信令服务, 单节点, 自带一个 Redis Server, 随 EasySIPCMS 自启动, 不需要手动运行EasySIPSMSSIP 流媒体服务, 根..._easygbs-windows-2.6.0-23042316使用文档

【Web】记录巅峰极客2023 BabyURL题目复现——Jackson原生链_原生jackson 反序列化链子-程序员宅基地

文章浏览阅读1.2k次，点赞27次，收藏7次。2023巅峰极客 BabyURL之前AliyunCTF Bypassit I这题考查了这样一条链子：其实就是Jackson的原生反序列化利用今天复现的这题也是大同小异，一起来整一下。_原生jackson 反序列化链子

一文搞懂SpringCloud，详解干货，做好笔记_spring cloud-程序员宅基地

文章浏览阅读734次，点赞9次，收藏7次。微服务架构简单的说就是将单体应用进一步拆分，拆分成更小的服务，每个服务都是一个可以独立运行的项目。这么多小服务，如何管理他们？(服务治理注册中心[服务注册发现剔除])这么多小服务，他们之间如何通讯？这么多小服务，客户端怎么访问他们？(网关)这么多小服务，一旦出现问题了，应该如何自处理？(容错)这么多小服务，一旦出现问题了，应该如何排错?(链路追踪)对于上面的问题，是任何一个微服务设计者都不能绕过去的，因此大部分的微服务产品都针对每一个问题提供了相应的组件来解决它们。_spring cloud

Js实现图片点击切换与轮播-程序员宅基地

文章浏览阅读5.9k次，点赞6次，收藏20次。Js实现图片点击切换与轮播图片点击切换<!DOCTYPE html><html> <head> <meta charset="UTF-8"> <title></title> <script type="text/ja..._点击图片进行轮播图切换

tensorflow-gpu版本安装教程（过程详细）_tensorflow gpu版本安装-程序员宅基地

文章浏览阅读10w+次，点赞245次，收藏1.5k次。在开始安装前，如果你的电脑装过tensorflow，请先把他们卸载干净，包括依赖的包（tensorflow-estimator、tensorboard、tensorflow、keras-applications、keras-preprocessing），不然后续安装了tensorflow-gpu可能会出现找不到cuda的问题。cuda、cudnn。..._tensorflow gpu版本安装

随便推点

物联网时代权限滥用漏洞的攻击及防御-程序员宅基地

文章浏览阅读243次。0x00 简介权限滥用漏洞一般归类于逻辑问题，是指服务端功能开放过多或权限限制不严格，导致攻击者可以通过直接或间接调用的方式达到攻击效果。随着物联网时代的到来，这种漏洞已经屡见不鲜，各种漏洞组合利用也是千奇百怪、五花八门，这里总结漏洞是为了更好地应对和预防，如有不妥之处还请业内人士多多指教。0x01 背景2014年4月，在比特币飞涨的时代某网站曾经..._使用物联网漏洞的使用者

Visual Odometry and Depth Calculation--Epipolar Geometry--Direct Method--PnP_normalized plane coordinates-程序员宅基地

文章浏览阅读786次。A. Epipolar geometry and triangulationThe epipolar geometry mainly adopts the feature point method, such as SIFT, SURF and ORB, etc. to obtain the feature points corresponding to two frames of images. As shown in Figure 1, let the first image be and th_normalized plane coordinates

开放信息抽取(OIE)系统（三）-- 第二代开放信息抽取系统(人工规则, rule-based, 先抽取关系)_语义角色增强的关系抽取-程序员宅基地

文章浏览阅读708次，点赞2次，收藏3次。开放信息抽取(OIE)系统（三）-- 第二代开放信息抽取系统(人工规则, rule-based, 先关系再实体)一.第二代开放信息抽取系统背景第一代开放信息抽取系统(Open Information Extraction， OIE， learning-based, 自学习, 先抽取实体)通常抽取大量冗余信息，为了消除这些冗余信息，诞生了第二代开放信息抽取系统。二.第二代开放信息抽取系统历史第二代开放信息抽取系统着眼于解决第一代系统的三大问题: 大量非信息性提取（即省略关键信息的提取）、_语义角色增强的关系抽取