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
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
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
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
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
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