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